禁止转载!!!

① 用一维列表创建

import numpy as np np.array([1,2,3])

② 用元组创建

np.array((1,2,3))

③ 创建多维数组

np.array( [ [ 1, 2, 3, 4 ], [ 5, 6, 7, 8 ] ] )

④通过zeros创建数组 创建一个元素为0的数组

np.zeros(3) #生成一维矩阵 np.zeros((3,3)) #生成二维矩阵 np.zeros(((2,3,4))) #生成三维矩阵

⑤ones 生成元素为1的数组

np.ones((3, 3)) 左行右列，三行三列

⑥empty生成未初始化数组

np.empty((2,2))

此外，还可以产生与现有矩阵相同形状的矩阵：

np.zeros_like(a) np.ones_like(a) np.empty_like(a) #a为现有的矩阵

numpy的数据类型： dtype属性

Python的type()函数：返回的是变量类型，而非数据类型。如：a.type() type(a) 使用dtype不仅可以查看其数据类型，还可以设置其数据类型：

利用.astype()方法也行

NumPy 支持比 Python 更多种类的数值类型。 下表显示了 NumPy 中定义的不同标量数据类型。 注意！！！！ python中没有int8 所以必须用np.int8 其他同理。

1.利用torch.tensor来创建 ①一维列表创建 用元组创建 多维数组 (类似于numpy.array())

import torch torch.tensor([1,2,3]) torch.tensor((1,2,3)) torch.tensor( [ [ 1, 2, 3, 4 ], [ 5, 6, 7, 8 ] ] )

②通过zeros创建数组 创建元素为0的 生成元素为1的 生成未初始化的 (类似于numpy)

torch.zeros(3) #生成一维矩阵 torch.zeros((3,3)) #生成二维矩阵 torch.zeros(((2,3,4))) #生成三维矩阵 torch.ones((3, 3)) 左行右列，三行三列 torch.empty((2,2))

此外，还可以产生与现有矩阵相同形状的矩阵： (类似于numpy,除torch.full_like)

torch.zeros_like(a) torch.ones_like(a) torch.empty_like(a) torch.full_like(a,full_like_value) #a为现有的矩阵

2.利用torch.Tensor来创建 (与numpy不同) 大写的Tensor是用来接收shape的，不过也可以接受list数据，建议用tensor接受list数据，Tensor接收Shape。（注意：未初始化的张量数据特别大或者特别小，如果后面不赋值替换，那么容易出错/网络收敛不够好。）

Torch的数据类型: 😃 既然前面都和numpy神似，那么dtype的用法也当然是神似了： 😃

数据类型转换：(这里是numpy有些差别)

在torch中CPU和GPU张量分别有8种数据类型, GPU tensor比CPU tensor多了.cuda

前面介绍完，各自内部的数据转换，现在介绍一下两者相互的数据转换。

注意，转换后的tensor与numpy指向同一地址,对一方的值改变另一方也随之改变!!!

tensor转numpy：

a: tensor([2., 2., 2.]) #跟着改变了 b: [2. 2. 2.]

numpy转tensor：

创建的数据与原数据不是同一地址的数据！！！ tensor转numpy：

numpy转tensor：

torch.ones_like(a)这种特殊创建方法，不能进行创建。 TypeError:`ones_like(): argument 'input' (position 1) must be Tensor, not numpy.ndarray 但是，np.ones_like(a)是可以的：

总之，两者在使用上有很大的相似之处，细微的差别可以对比记忆。大方向上，torch都是依照着numpy来设计的，并为了便于深度学习的计算加入了很多新方法和属性。 欢迎留言交流，but禁止转载!!!