深度学习(四)——张量数据类型

Tensor
Pytorch的基本类型都是在Int,Double,Float等数据类型后加一个Tensor，但没String类型，解决办法：

• onehot编码，都是01矩阵——体现不了语言前后关联性
• word2vec等
  在gpu上还有cuda类型
  
  如果一个数据a是Tensor类型
• type(a)，a.type()查询数据类型
• isinstance(a, torch.FloatTensor),合法化检验
  维度是0的为标量，1的为张量，Pytorch0.3以下没有维度（dimention）为0的标量，自动为1
  
  a.shape是成员，但a.shape()是成员函数
  
• 用.Tensor接受的是数据
• 用.FloatTensor接受的是维度，里面的数据是随机的
  
  维度（dim）为2——[2，2]-2行2列
  size/shape（形状，不是数据）：[2，2]
  Tensor存数据
  
  torch.randn（2，3）-dim维度为2
  dim2应用:batch[4，784]——[图片个数，每个图片的维数/数据]
  
  dim3应用：文字处理[10，20，100]，batch10，每次20句话，每句话100个数据/特征
  dim4：应用于图片[b,c,h,w]——batch，图片通道数channel，高，宽
  
  numel：Tensor占用内存大小
  

张量操作
numpy->torch torch.from_numpy(a)

• 小写tensor输入数据
• 大写Tensor和FloatTensor输入维度，shape或者数据-用[] (少用，输入数据可以直接用小写tensor)
  
  初始化，不赋值
• enpty的值是随机的
• 建议用大写Tensor输入维度，小写输入数据
  绿色标注表示大写不推荐
  
  初始化忘记赋值，会出现随机数非常大，非常小的问题，造成bug，所以要记得赋值
  
  torch.Tensor默认生成torch.FloatTensor数据
  图为修改Tensor默认生成的FloatTensor->DoubleTensor
  

随机初始化
rand随机产生0~1之间的数值，不包括1
torch.rand(3，3)->产生dim为2，shape为3的矩阵
rand_like(a)->把a的shape取出来，再创建一个类似a的tensor
randint只能采样整数
torch.randint(1,10,[3,3]),产生1-9的数。不包括10，左闭右开

正态随机分布

• tandn：产生N~（0，1）正态分布
• torch.normal产生的是一维的数，需要自己再reshape
  
  矩阵赋值为同一个数
  []代表标量
  [1]代表矢量，维度为1
  
  Pytorch中的range被arrange代替，且都是左闭右开
  
  等分函数linspace，给的是数目而不是步长
  logspace，10的多少次方
  
  
  
  randperm：随机打散
  有时需要人的顺序打散，分数不会打散，采用随机种子，例子中的idx