Python|张量创建操作[4]---Rare0716

创建操作续2torch.logspace(start, end, steps=100, base=10.0, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor

返回一个一维的张量，使用对数，从start到end。比如在start处，值是10，base是2，那么start对应的值输出为2的10次方。参数

start（float）：点集的开始值end：点集的结束值steps（int）：默认100，在start和end之间点集的数量base（float）：对数函数的底值，默认10.0out（Tensor，可选参数）：输出张量dtypelayoutdevicerequires_grad例子 >>> torch.logspace(start=-10, end=10, steps=5) tensor([ 1.0000e-10, 1.0000e-05, 1.0000e+00, 1.0000e+05, 1.0000e+10]) >>> torch.logspace(start=0.1, end=1.0, steps=5) tensor([ 1.2589, 2.1135, 3.5481, 5.9566, 10.0000]) >>> torch.logspace(start=0.1, end=1.0, steps=1) tensor([1.2589]) >>> torch.logspace(start=2, end=2, steps=1, base=2) tensor([4.0])torch.eye(n, m=None, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor

返回一个2维的张量，对角是1，其余位置是0。参数

n（int）：行数m（int，可选参数）：列数，默认等于nout（Tensor，可选参数）dtypelayoutdevicerequires_grad例子 >>> torch.eye(3) tensor([[ 1., 0., 0.], [ 0., 1., 0.], [ 0., 0., 1.]])torch.empty(*size, out=None, dtype=None, layout=torch.strided, device=None, requiresgrad=False, pinmemory=False) → Tensor

返回一个未初始化的张量，形状由size指定 参数：

size（int...）：整数序列，可以是集合，list，tuple等等outdtypelayoutdevicerequires_gradpin_memory（bool，可选参数）：只对cpu张量有效，默认False，用来确定是否分配在一个固定的内存memory_format例子 >>> torch.empty(2, 3) tensor(1.00000e-08 * [[ 6.3984, 0.0000, 0.0000], [ 0.0000, 0.0000, 0.0000]])torch.emptylike(input, dtype=None, layout=None, device=None, requiresgrad=False, memoryformat=torch.preserveformat) → Tensor

返回一个未初始化的张量，和oneslike()和zeroslike()方法类同。

例子 >>> torch.empty((2,3), dtype=torch.int64) tensor([[ 9.4064e+13, 2.8000e+01, 9.3493e+13], [ 7.5751e+18, 7.1428e+18, 7.5955e+18]])torch.full(size, fillvalue, out=None, dtype=None, layout=torch.strided, device=None, requiresgrad=False) → Tensor

返回一个指定值，且全部填充了的张量 参数

size（int...）fill_value：输出张量需要填充的值outdtypelayoutdevicerequires_grad例子 >>> torch.full((2, 3), 3.141592) tensor([[ 3.1416, 3.1416, 3.1416], [ 3.1416, 3.1416, 3.1416]])torch.fulllike(input, fillvalue, out=None, dtype=None, layout=torch.strided, device=None, requiresgrad=False, memoryformat=torch.preserve_format) -> Tensor

参考函数名称后缀带like的使用

torch.quantizepertensor(input, scale, zero_point, dtype) → Tensor

根据给出的scale和零点，把浮点类型的张量量化成的新张量 参数

input（Tensor）：需要转化的张量scale（float）：zero_point（int）：原点的位移dtype例子 >>> torch.quantize_per_tensor(torch.tensor([-1.0, 0.0, 1.0, 2.0]), 0.1, 10, torch.quint8) tensor([-1., 0., 1., 2.], size=(4,), dtype=torch.quint8, quantization_scheme=torch.per_tensor_affine, scale=0.1, zero_point=10) >>> torch.quantize_per_tensor(torch.tensor([-1.0, 0.0, 1.0, 2.0]), 0.1, 10, torch.quint8).int_repr() tensor([ 0, 10, 20, 30], dtype=torch.uint8) ---来自腾讯云社区的---Rare0716