Pytorch基础之张量的存储方式及维度操作：size，shape，view，reshape，contiguous

最新推荐文章于 2024-08-17 18:40:02 发布
最新推荐文章于 2024-08-17 18:40:02 发布
阅读量2.7k 收藏 6
点赞数 1
分类专栏： Pytorch 文章标签： 张量 pytorch
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/CQUSongYuxin/article/details/107379150
版权
本文介绍了PyTorch中张量的存储方式，包括如何根据张量下标访问内存中的元素。接着详细阐述了如何获取张量的维度大小和数目，如size()和shape()方法的应用。此外，还讨论了张量维度变换的关键方法——view()和reshape()，强调了它们的区别以及contiguous()的作用，特别指出在涉及步长和维度兼容性问题时的使用场景。
摘要由CSDN通过智能技术生成

参考书目：张校捷，《深入浅出PyTorch：从模型到源码》

Pytorch中张量的存储

假设存在一个k维张量，其维数为[ n 1 , n 2 . . . n k n_1,n_2...n_k n1​,n2​...nk​]，在计算机的实际存储过程中为一个1维的向量，向量的大小为 n 1 ∗ n 2 ∗ . . . ∗ n k n_1*n_2*...*n_k n1​∗n2​∗...∗nk​。在读取张量某一位置的元素数据时，假设此元素的下标为 ( k 1 , k 2 . . . k k ) (k_1,k_2...k_k) (k

最低0.47元/天 解锁文章
浅谈张量数据的存储
Jack Lee's blogs
12-22 4347
几种张量数据的存储方式： 主要讲讲高维的张量数据存储： 1.excel中二维表+不同sheet 以之前的发动机的数据为例： 一个文件中有多个sheet，sheet1、sheet2、…、sheetN 一个sheet中包含一个二维表 列是发动机的各项指标property1、property2、…、propertyN 行是发动机1、发动机2、…、发动机N sheet1 Property1 P...
4 | PyTorch张量操作：底层存储逻辑
taxuelingbing的专栏
06-05 599
关于张量的底层存储逻辑这一部分看的我有点头大
pytorch入门8--读写文件保存张量和模型参数、
qq_51476492的博客
02-28 1840
例如，当在带有GPU的服务器上训练神经网络时， 我们通常希望模型的参数在GPU上。此外，当运行一个耗时较长的训练过程时， 最佳的做法是定期保存中间结果， 以确保在服务器电源被不小心断掉时，我们不会损失几天的计算结果。例如，如果我们对两个张量求和， 我们需要确保两个张量都位于同一个设备上， 否则框架将不知道在哪里存储结果，甚至不知道在哪里执行计算。由于两个实例具有相同的模型参数，在输入相同的X时， 两个实例的计算结果应该相同。总之，只要所有的数据和参数都在同一个设备上， 我们就可以有效地学习模型。
Pytorch之Save&Load（保存和加载模型）
记录学习的小白
04-18 6484
模型的保存和加载都在系列化的模块下 先看保存的 更详细的可以参考这里https://pytorch.org/docs/stable/notes/serialization.html#preserve-storage-sharing torch.save()并torch.load()让您轻松保存和加载张量：最简单的就是 t = torch.tensor([1., 2.]) torch.save(t, 'tensor.pth') torch.load('tensor.pth') 按照惯例，Py
Pytorch对张量进行排序（根据某列数值）
木盏
03-07 2262
链接为：https://pytorch.org/docs/stable/generated/torch.sort.html。只支持按维度进行排序。但是，通常情况下，我们希望对一个二维张量按某一列的取值进行行的排序，比如。我们用confidence来对一组bounding box进行排序。那么，这种情况下，不能直接使用。pytorch自带的排序函数为。
PyTorch 张量和模型的保存与加载
A-Egoist的博客
02-16 2370
PyTorch 中 Tensor 和模型可以保存为.pt.pth.pkl格式的文件，三者在格式上没有区别。
pytorch中tensor的底层存储方式，维度变换permute/view/reshape，维度大小和数目
lppfwl的博客
05-13 1154
记录一下pytorch中tensor的底层存储方式，维度变换permute/view/reshape，维度大小和数目。 tensor的底层存储方式 tensor的底层存储是按照行优先的原则存储的，比如： >>import torch >>a=tensor.rand((2,2,3)) >>a tensor([[[0.1345,0.4907,0.8740], [0.4888,0.5481,0.8513]], [[0.1015,0.9427,0.8660], [
【深度学习】Pytorch教程（十）：PyTorch数据结构：4、张量操作（1）：张量形状操作
天地玄黄 魑魅魍魉 风花雪月 商角徵羽
02-23 1095
本文介绍了张量变形操作，包括改变张量的形状：view、reshape、reshape_as；改变维度：flatten、unsqueeze和squeeze； 重新排列：permute和transpose
pytorch张量维度操作（拼接、维度扩展、压缩、转置、重复……）
热门推荐
Ma Sizhou
06-28 2万+
张量的操作确实有技巧，pytorch中提供了一些相关的操作，在编程的时候很有用。 涉及的方法见下面的目录： 目录一、拼接张量1、torch.cat()2、torch.stack()二、扩大张量1、torch.Tensor.expand()三、压缩张量1、torch.squeeze()四、重复张量1、torch.Tensor.repeat()2、torch.Tensor.unfold()五、缩小张量1、torch.Tensor.narrow()六、张量变形 z1、torch.Tensor.view()七、.
pytorch基础(一)-张量
靓仔沾点健忘症，写给时间下游的自己
12-07 1025
张量的基本方法
将pytorch中的三维tensor另存为csv文件
anshiquanshu的专栏
04-14 1494
#!/usr/bin/env python3 import torch.nn as nn import torch.nn.functional import numpy as np i #此案例来源于：https://pytorch.org/docs/master/nn.html#torch.nn.LSTM rnn = nn.LSTM(input_size=10,hidden_size=20,num_layers=2)#输入向量维数10, 隐藏元维度20, 2个LSTM层串联(若不写则默认为1） in.
[PyTroch系列-11]：PyTorch基础 - 张量元素的排序
文火冰糖（王文兵）的博客
08-06 7040
作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing 本文网址： 目录 第1章 Tensor运算概述 1.1 概述 1.3 “in place“运算 1.4Tensor的广播机制: 不同维度的张量运算 1.5 环境准备 1.6 排序运算概述 第2章 代码示例：sort（排序） 第3章 代码示例：topk（获取前K个最值） 第4章 代码示例：kthvalue（取第K个最小值） 第1章 Tensor运算概述 1.1 概述 PyT...
pytorch numpy .size .shape
qq_41917697的博客
04-14 766
pytorch numpy 的.size .shapetorch.size() torch.shapenp.size np.shape PyTorch中的size与numpy中的shape含义一致，都是指 tensor 的形状。torch.size(j)、np.shape[i]都是指当固定其他维度时，该维度下元素的数量。 torch.size() torch.shape import torch t=torch.tensor([[1,1],[2,3],[2,2]]) print(t.size()) pri
pytorch中的size()和shape()
明德zhuang
03-27 6525
pytorch中的size()和shape()的使用 示例： import torch from torch import tensor a = torch.tensor([[[0,1,2,3],[10,11,12,13]],[[20,21,22,23],[30,31,32,33]]]) print(a.shape) print(a.size())
1.【Pytorch编程】张量的概念、构建方法与存储方式理解
陈艺荣
03-25 863
Pytorch中张量的概念、构建方法与存储方式理解，特别是关于view函数的使用
Pytorch之view及view_as使用详解
09-18
在Pytorch中，张量（Tensor）是进行数据操作的基础，而view和view_as函数是Pytorch中用于改变张量形状的重要工具。 首先，我们要明白什么是张量。在Pytorch中，张量可以理解为一个多维的数组，可以存储各种类型的...
PyTorch 基础学习（11）- 张量内存管理
最新发布
fenglingguitar的专栏
08-17 830
`torch.Storage` 是 PyTorch 中的一个底层数据结构，管理着张量的内存。它是一个一维的连续数组，所有元素类型相同。`Storage` 提供了多种方法，如类型转换、设备切换、数据共享等，帮助开发者更灵活地操作和管理张量的数据。尽管用户通常与张量交互，但理解 `Storage` 可以在高级场景中更高效地利用 PyTorch。
Pytorch对张量操作
Obolicaca的博客
03-21 1257
创建操作——用于构造张量的函数，如ones()和from_numpy()。 索引、切片、连接、转换操作——用于改变张量的形状、步长或内容的函数，如transpose()。 数学操作——通过运算操作张量内容的函数： 逐点操作——通过对每个元素分别应用一个函数来得到一个新的张量，如abs()和cos()； 归约操作——通过迭代张量来计算聚合值的函数，如mean()、std()和norm()； 比较操作——在张量上计算数字谓词的函数，如equal()和max()； 频谱操作——在频域中进行变换和操作的
Pytorch学习笔记---3：张量存储视图
m0_64007201的博客
10-11 796
对张量存储视图的总结
张量的内存存储方式，维度dim，形状shape，步长stride,偏移量storage_offse,storage函数
weixin_52623854的博客
02-25 754
使用索引(i,j,k)访问三维的元素会等效于访问内存中的第storage_offset+stride(0)*i + stride(1)*j + stride(2)*k个元素。代入上面公式就可以得到3，也就s[0,1,1]通过索引[0,1,1]出来的是2，s.storage()[3]通过索引[3]索引出来也是2.即内存中的第4个数。总结：偏移量(storage()索引)：storage_offset+stride(0)*i + stride(1)*j + stride(2)*k。列如s[1],也是连续的。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值