1、两种常见的随机初始化
（1） rand函数
rander函数就是随机的使用0和1的均值分布来初始化，也就是说它从零和一的空间中随机的均匀的sample出来，这样数据就回均匀的分布在0和1之间。
torch.rand(3,3) #表示随机生成一个3X3的数值在0和1之间的均匀分布的矩阵
a=torch.rand(3,3)
torch.rand_like(a) #将a,shape读取出来再送给rand函数
（2）randint函数
randint的参数表示它要指定一个极小值，一个最小值和一个最大值
torch.randint(1,10,[3,3])2、正态分布 randn函数
torch.randn(3,3) #表示均值为零，方差为一的三行三列的矩阵
#自定义均值和方差
torch.normal(mean=torch.full([10],0),std=torch.arange(1,0,-0.1))
#使用起来有点奇怪
3、full tensor全部赋值为一个元素
torch.full([2,3],7)#表示要生成一两行三列的一个tensor，把全部数值赋值为7
torch.full([],7) #生成标量，dim为1
torch.full([1],7) ##生成向量4、arange/range 递增或递减生成等差数列
troch.arange(0,10) # 生成一个从零开始不包括10的等差数列
troch.arange(0,10,2) #生成一个从零开始不包括10的，阶梯为2的等差数列
troch.range(0,10) #这个不需要看5、linspace/logspace 生成等分
torch.linspace(0,10,steps=4)
#表示0到10，包含10，steps=4表示要切成四等分
torch.linspace(0,10,steps=10)
#表示0到10，包含10，所以有11个数，steps=10表示要切成10等分
torch.linspace(0,10,steps=11)
#表示0到10，包含10，所以有11个数，steps=10表示要切成11等分
torch.logspace(0,-1,steps=10)
#表示生成0到-1之间的数，10的0次方到10的-1次方。6、ones/zero/eye 全部是1的，全部是0的，单位矩阵
torch.ones(3,3) 生成三行三列数值全部为1
torch.zero(3,3) 生成三行三列数值全部为0
torch.eye(3,4) 生成三行四列对角是1的单位矩阵
7、randperm 随机打散
生成的是0到10的随即索引是不包括10的
索引
1、具体的索引
a=torch.rand(4,3,28,28)#dim=4的数据，这个数据就是我们用的CNN里面的数据输入
#第一个维度是batch_size，第二个维度是n_channels，第三个和第四个是长和宽
print(a.shape)
print(a.index_select(0,[0,2]))
#第一个参数表示对那个维度上面进行操作，第二个参数表示索引号，取0到2，也就是三个通道
print(a.index_select(1，[1，2]))
#第一个参数表示再第一个维度上进行操作，取1到2，也就是两个通道
print(a.index_select(2,torch,arrage(28)).shape)
#表示对第二个维度进行操作，在行上进行操作，第二个参数表示选取了所有的行
print(a.index_select(2,torch,arrage(8)).shape)
#表示对第二个维度进行操作，在行上进行操作，第二个参数表示选取0到8，也就是8行
2、...
...三个点，表示表示任意多的维度
a=torch.rand(4,3,28,28)#dim=4的数据，这个数据就是我们用的CNN里面的数据输入
#第一个维度是batch_size，第二个维度是n_channels，第三个和第四个是长和宽
print(a.shape) #输出结果torch.Size([4,3,28,28])
print(a[...].shape) #输出结果torch.Size([4,3,28,28])
#a[...]=a[0]
print(a[0,...].shape) #输出结果torch.Size([3,28,28])
#表示取第0个图片的所有通道，所有行和所有列
print(a[:,1,...].shape) #输出结果torch.Size([4,28,28])
#取所有图片的第一个通道的所有行和所有列
print(a[...,:2].shape) #输出结果torch.Size([4,3,28,2])
#第一个参数表示前面任意长度都取，所有batch，所有channal，所有行的前两列，第二个参数表示只取两列
3、使用mask（掩码）来索引 masked_select()
x=troch.randn(3,4)
print(x) #随机生成一个三行四列的tensor
mask=x.ge(0.5) #表示大于等于0.5的元素的位置输出为1
torch.masked_select(x,mask) #表示掩码为1的数据取出来
torch.masked_select(x,mask).shape #mask会把原来的三行四列的张量打平，变成12个数据4、take函数
src=torch.tensor([[4,3,5],[6,7,8]])
#表示两行三列的数据先打平，变成6个数据
torch.take(src,torch.tensor([0,2,5]))
#表示取第1个、第3个、第6个数据 输出结果tensor([4,5,8])