【pytorch】（deeplizard6-13）张量

p6张量——秩、轴、形状

秩：rank of a tensor

         一个张量的秩tell us 一个张量有所少个轴

轴：axis of a tensor

         即维数

形状：shape of a tensor

         形状由轴的长度决定

p7张量概念的使用——CNN

图像的输入看作是CNN的张量，张量的形状编码了所有关于张量、轴、秩和索引的相关信息

 

cnn的输入形状通常为4，len([ , , , ]) = 4  àmeans 有一个秩为4的张量，他有四个轴

[A0, A1, A2, A3] à 每一个索引都表示了其对应轴的长度

                            à图像的高度和宽度，用最后两个轴的值来表示 Height/Width

                            à第二个索引表示颜色通道RGB，用C表示，其值是3，如果使用灰度值的话，值为1；这个轴的解释是在张量穿过一个卷积层之后改变的

 

Now：使用最后三个索引，我们已经用张量表示了一个完整的图像 [ , C, H, W]，即彩色通道、高度、宽度，用三个轴来表示

 

第一个索引：B à[B, C, H, W]，B这个轴的长度告诉我们在这一批中有多少个样本

 

eg.  [3, 1, 28, 28]

         可得知：我们有三个图像，每个图像都有一个单独的彩色通道，图像的高度宽度分别为28*28，我们由此可以使用四个索引，在一个特定图像的特定颜色通道中导航到特定的像素。

         Q: 张量被卷积层转化后，颜色通道轴的解释是如何变化的？

         A: 假设有一个张量，包含来自一个28*28的灰度图像的数据：[1,1,28,28]；

            现在我们将这个图像传递到我们的cnn并通过第一个卷积层 à张量和基础数据的行传将由卷积运算来改变，通道的数量根据使用的滤波器数量而定。我们把一个输入颜色通道和一个卷积滤波器结合起来，再对其做一个卷积运算，我们得到一个输出通道结果，我们称之为特征映射。

         feature：输出代表了图像的特定特征，比如边缘

 

p8 torch tensor

Tensor

t是一个torch.tensor，pytorch类的实例

dtype、device、layout

dtype指的是在张量中包含的数据类型

device，决定了给定张量的张量计算的位置

strided告诉我们张量数据是如何在内存中布局的

0的索引告诉我们他是我们拥有的第一个gpu

张量之间的张量操作必须与存在于同一设备上的张量发生

创建pytorch张量

torch.Tensor(data)

torch.tensor(data)

torch.as_tensor(data)

torch.from_numpy(data)

0、创建一个numpy数组，然后创建张量

1、torch.Tensor(data)：

后面的这个点，代表这些值是浮点数

与其他几个不同在于他是类构造函数

2、torch.tensor(data)：

这里得到的数据类型与numpy数组中的输入数据相匹配

3、torch.as_tensor(data)：

4、torch.from_numpy(data)：

eye、zeros、ones、rand

没有任何数据的情况下创建一个张量

p9 数据转换为pytorch张量（best options）

数据转换为张量的方法有哪些，之间的区别，应该选用哪些选项，哪些是最优的

一个张量的抽象概念和一个pytorch张量的区别在于：pytorch张量给了我们一个具体的实现，可以使用和编码

 

构造函数（constructor）、工厂函数（facotries）

工厂函数或对象用于创建对象的变成概念，而不是使用构造函数来创建类实例

由此可见࿰