创建张量(tensor)是深度学习的第一步，也是基础。用于初始化一些值、测试之类的。

import tensorflow as tf
import torch
import numpy as np

从numpy中导入数据，将其转换为张量：

TensorFlow：

new=tf.convert_to_tensor（ old , dtype= ）

dtype可填：tf.int64，tf.int32，tf.float，tf.float64=tf.double，tf.bool，tf.string。

将old转化为类型为dtype的张量new。

PyTorch：

new=torch.from_nump（old）

将numpy类型的old转化为张量，默认转为torch.float64类型。

torch的类型有（dtype）：torch.float32，torch.float64，torch.float16，torch.uint8，torch.int8，torch.int16，torch.int32，torch.int64。

创建值为随机数的张量：

TensorFlow：

data=tf.random.normal（shape，mean= ，stddev= ）

创建一个形状为shape，值随机为正态分布，均值为mean，方差为stddev的张量。

data=tf.random.truncated_normal（shape，mea=，stddev=）

创建一个形状为shape，值随机为截断正态分布，均值为mean，方差为stddev的张量。

data=tf.random.uniform（shape，minval=，maxval=，dtype=）

创建一个类型为dtype，形状为shape，值为随机数，最小值为minval，最大值为maxval。

 

PyTorch：

data=torch.randn（shape）

创建一个形状为shape，值为正太分布，均值为0，方差为1。

data=torch.normal（mean=，std=）

创建一个形状和mean一样，值为正太分布，均值为mean，方差为std。其中mean有shape，并且shape和创建出的data一样，也就是说可以自定义data中每个位置上的mean。

创建全为0/1的张量：

TensorFlow：

new=tf.zeros（shape）

创建一个形状为shape，值全为0的张量。

new=tf.zeors_like（old）

创建一个形状和old一样，值全为0的张量。

 

new=tf.ones（shape）

创建一个形状为shape，值全为1的张量。

new=tf.ones_like（old）

创建一个形状和old一样，值全为1的张量。

new_0=tf.zeros_like(old)
new_1=tf.zeros(old.shape)
#new_0和new_1一样,下面的PyTorch也是同理

PyTorch:

new=torch.zeros（shape）

创建一个形状为shape，值全为0的张量。

 

new=torch.zeros_like（old）

创建一个形状和old一样，值全为0的张量。

 

new=torch.ones（shape）

创建一个形状为shape，值全为1的张量。

new=torch.ones_like（old）

创建一个形状和old一样，值全为1的张量。

TensorFlow和PyTorch在这方面的接口都差不多，因为都是借鉴的numpy。

创建值为自定义的张量:

TensorFlow:

data=tf.fill（shape，n）

创建一个形状为shape，值全为n的张量。

data=tf.range（参数，dtype= ）

dtype可指定数据类型，具体选择同上。

当参数为一个值n时，生成0~n之间的数（不包括n）

当参数为两个值n，m时，生成n~m之间的数（不包括m）

当参数为三个值n，m，k时，生成n~m之间，步距为k的数（不包括m）

 

date=tf.constant（n，dtypy=）

生成类型为dtype，值为n的张量（n为具体的数值，可为列表、元组）

PyTorch：

data=torch.Tensor（n，dtype= ）

创建类型为dtype，值为n的张量，n为列表、元组。

 

data=torch.full（shape，fill_value，dtype= ）

创建一个形状为shape，类型 为dtype，值全部为fill_value的张量

 

data=torch.full_like（old，value）

创建一个形状和old一样，值全部为value的张量。

 

data=torch.arange（start，end，step，dtype=）

创建一个类型为dtype，值为从start到end之间，步距为 step的数（不包括end）

 

data=torch.linspace（start，end，steps，dtype=）

创建一个类型为dtype，值为从start到end至今，均分成steps份，每个数的值。（包括end）