第四章 PyTorch深度学习基础（1）

最新推荐文章于 2024-10-31 17:05:07 发布

小白的痛苦

最新推荐文章于 2024-10-31 17:05:07 发布

阅读量617

点赞数 13

文章标签：深度学习 pytorch 人工智能

本文链接：https://blog.csdn.net/2201_75559122/article/details/136967264

版权

本文介绍了如何在PyTorch中使用Tensor对象，包括其数据类型管理、设备指定、矩阵运算（如逐元素乘法和矩阵乘法）、以及利用torch提供的函数创建不同类型的张量数据。

摘要由CSDN通过智能技术生成

一、Tensor对象及其运算

Tensor对象是一个任意维度的矩阵，但是一个Tensor中所有元素的数据类型必须一致。
torch包含的数据类型和普通编程语言的数据类型相似，包含浮点型、有符号整型和无符号整形。

在使用Tensor数据类型时，可以通过dtype属性指定它的数据类型，device指定它的设备（CPU或GPU）

import torch
import numpy as np

# torch.tensor
print("torch.Tensor 默认为:{}".format(torch.Tensor(1).dtype))
print("torch.Tensor 默认为:{}".format(torch.tensor(1).dtype))
# 可以用list构建
a = torch.tensor([[1, 2], [3, 4]], dtype=torch.float64)
# 也可以用ndarray构建
b = torch.tensor(np.array([[1, 2], [3, 4]]), dtype=torch.uint8)
print(a)
print(b)

# 通过device指定设备
cpu0 = torch.device('cpu:0')
c = torch.ones((2, 2), device=cpu0)
print(c)

.通过device在CPU上定义变量后，可以在终端上通过nvidia-smi命令查看显卡占用。torch还支持CPU和GPU之间复制变量。
```
c = c.to('cpu', torch.double)
print(c.device)
b = b.to(cpu0, torch.float)
print(b.device)
```

对Tensor执行算数运算符的运算，是两个矩阵对应元素的运算。torch.mm执行矩阵乘法的运算。

a = torch.tensor([[1, 2], [3, 4]])
b = torch.tensor([[1, 2], [3, 4]])
c = a * b
print("逐元素相乘:", c)
c = torch.mm(a, b)
print("矩阵乘法:", c)

torch.clamp起到分段函数的作用，可以用于去掉矩阵中过小或者过大的元素；
torch.round将小数转为整数；

torch.tanh计算双曲正切函数，该函数将数值映射到（0,1）

a = torch.tensor([[1, 2], [3, 4]])
torch.clamp(a, min=2, max=3)

a = torch.tensor([-1.1, 0.5, 0.501, 0.99])
torch.round(a)

a = torch.Tensor([-3, -2, -1, -0.5, 0, 0.5, 1, 2, 3])
torch.tanh(a)

除了ndarray或list类型的数据中创建Tensor，PyTorch还提供了一些可直接创建数据的函数，这些函数往往需要提供矩阵的维度。
torch.arange和Python内置的range的使用方法基本相同，，其中第3个参数是步长。torch.linspace的第3个参数指定返回的个数。torch.ones返回全1，torch返回全0矩阵。
```
print(torch.arange(5))
print(torch.arange(1, 5, 2))
print(torch.linspace(0, 5, 10))
print(torch.ones(3, 3))
print(torch.zeros(3, 3))
```
torch.rand返回范围为[0,1]的均匀分布采样的元素所组成的矩阵
torch.randn返回从正态分布采样的元素组成的矩阵
torch.randint返回指定区间的均匀分布采样的随机整数所生成的矩阵
```
torch.rand(3, 3)
torch.randn(3, 3)
torch.randint(0, 9, (3, 3))
```