PyTorch中的张量、矩阵与Variable操作详解,-CSDN博客

本文链接：https://blog.csdn.net/weixin_45880834/article/details/132870388

本文介绍了张量、矩阵、向量和标量在IT技术中的概念，重点讲解了Variable在PyTorch中的作用以及如何使用torch.from_numpy创建张量。还展示了torch.normal()函数用于生成不同分布的张量示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.张量与矩阵、向量、标量的关系是怎样的？

标量只有大小概念，没有方向的概念。通过一个具体的数值就能表达完整。
向量主要有2个维度：大小、方向。大小：箭头的长度表示大小方向：箭头所指的方向表示方向
矩阵（Matrix）是一个按照长方阵列排列的复数或实数集合，元素是实数的矩阵称为实矩阵，元素是复数的矩阵称为复矩阵。而行数与列数都等于n的矩阵称为n阶矩阵或n阶方阵。
张量是多维数组，目的是把向量、矩阵推向更高的维度
这4个概念是维度不断上升的，我们用点线面体的概念来比喻解释会更加容易理解：
点——标量（scalar）
线——向量（vector）
面——矩阵（matrix）
体——张量（tensor）

2.Variable"赋予"张量什么功能？

0.4.0 版本后Variable已并入Tensor
Variable是torch.autograd中的数据类型，主要用于封装Tensor，进行

data: 被包装的Tensor
grad: data的梯度
grad_fn: 创建Tensor的Function，是自动求导的关键
requires_grad：指示是否需要梯度
is_leaf：指示是否叶子结点

3.采用torch.from_numpy创建张量，并打印查看ndarray和张量数据的地址

import torch
import numpy as np

arr=np.array([[1,2,3],[4,5,6]])
t=torch.from_numpy(arr)
print('t:',t)
print('id(t)',id(t))

4.实现torch.normal()创建张量的四种模式。

torch.normal()

功能：生成正太分布（高斯分布）
mean为标量，std为标量
mean为标量，std为张量
mean为张量，std为标量

mean为张量，std为张量

# ===============================  exmaple 2 ===============================
# flag = True
flag = False
if flag:
    # mean：张量 std: 张量
     mean = torch.arange(1, 5, dtype=torch.float)
     std = torch.arange(1, 5, dtype=torch.float)
     t_normal = torch.normal(mean, std)
     print("mean:{}\nstd:{}".format(mean, std))
     print(t_normal)

# ===============================  exmaple 3 ===============================
# flag = True
flag = False
if flag:
    # mean：标量 std: 标量
     mean = 1
     std = 10
     t_normal = torch.normal(mean, std,size=(3,3))
     print("mean:{}\nstd:{}".format(mean, std))
     print(t_normal)

# ===============================  exmaple 4 ===============================
# flag = True
flag = False
if flag:
    # mean：张量 std: 标量
    mean=torch.arange(1,5,dtype=torch.float)
    std=2
    t_normal=torch.normal(mean,std)
    print("mean:{}\nstd:{}".format(mean,std))
    print(t_normal)

# ===============================  exmaple 5 ===============================
flag = True
# flag = False
if flag:
    # mean：标量 std: 张量
    mean=2
    std=torch.arange(1,5,dtype=torch.float)
    t_normal=torch.normal(mean,std)
    print("mean:{}\nstd:{}".format(mean,std))
    print(t_normal)