【科研小小白的神经网络Day1】读懂线性回归的代码必掌握的几个函数：torch.zeros、torch.tensor、torch.normal、torch.matmul

一、torch.zeros简介

个人理解就是表示张量，再机器学习中我们一般表示事务都会使用不同维度的张量保存特征、标签从而表示该事物品，这些数据可能是数学中的向量、矩阵或更高维度的数组以便于实现深度学习模型及其优化算法。

torch.Tensor() 和 torch.tensor()

torch.Tensor() 和 torch.tensor() 的区别：
torch.Tensor()是一个类，是默认张量类型torch.FloatTensor()的别名，用于生成一个单精度浮点类型的张量。
用Tensor初始化一个张量：

a = torch.Tensor([1,2, 3, 4, 5])
print(a)

1
2
3

一个张量tensor可以从Python的list或序列构建：

>>> torch.FloatTensor([[1, 2, 3], [4, 5, 6]])
1 2 3
4 5 6
[torch.FloatTensor of size 2x3]
1
2
3
4

可以用python的索引和切片来获取和修改一个张量tensor中的内容：

>>> x = torch.FloatTensor([[1, 2, 3], [4, 5, 6]])
>>> print(x[1][2])
6.0
1
2
3

>>> x[0][1] = 8
>>> print(x)
 1 8 3
 4 5 6
[torch.FloatTensor of size 2x3]
1
2
3
4
5

二、torch.zeros简介

torch.zeros函数是PyTorch中的一个创建张量（tensor）的函数，常用于初始化模型的权重矩阵、创建指定维度的全零张量等场景。使用torch.zeros函数可以快速创建指定大小的单精度或双精度浮点型张量，其返回值为一个全零张量。

torch.zeros(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor
1

具体地说，torch.zeros函数的输入参数包括size（张量的大小）、dtype（张量数据类型）、layout（张量元素在内存中的布局）、device（张量所在的设备上）、requires_grad（是否需要计算梯度）等多个参数，其中size是必填项。

import torch

# 创建一个2x3的全零张量
x = torch.zeros(2, 3)
print(x)
1
2
3
4
5

torch.zeros与张量操作

torch.zeros与张量的操作息息相关，可在创建全零张量后，对其进行加减乘除、矩阵操作、逐元素操作等一系列操作，获得所需要的结果。以下是几种典型的例子：

一个空张量tensor可以通过zero函数并且规定张量其大小来构建：

>>> torch.IntTensor(2, 4).zero_()
0 0 0 0
0 0 0 0
[torch.IntTensor of size 2x4]
1
2
3
4

三、torch.normal简介

该函数返回从单独的正态分布中提取的随机数的张量，该正态分布的均值是mean，标准差是std。

该函数原型：

normal(mean, std, *, generator=None, out=None)
1

四、torch.matmul简介

用于张量乘法

未完待续

参考内容：
————————————————
版权声明：本文为CSDN博主「爱钻研的小铭」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_42676511/article/details/121414784

参考内容：
————————————————
版权声明：本文为CSDN博主「小乌坞」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/c_procomer/article/details/120712286