Pytorch的tensor基本操作

最新推荐文章于 2025-09-07 14:04:28 发布
原创 最新推荐文章于 2025-09-07 14:04:28 发布 · 1.5k 阅读 · 6 ·
CC 4.0 BY-SA版权
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。
文章标签：

#pytorch #深度学习 #人工智能

本文详细介绍了PyTorch中Tensor的创建方式，包括使用不同方法生成特定数据的Tensor，如随机初始化、固定值填充等；探讨了Tensor的索引与切片的使用技巧，以及如何通过多种方法改变Tensor的维度，适用于深度学习初学者及开发者。

目录

一、tensor的创建

1.使用tensor

2.使用Tensor

3.随机初始化

4.其他数据生成

①torch.full

②torch.arange

③linspace和logspace

④ones, zeros, eye

⑤torch.randperm

二、tensor的索引与切片

1.索引与切片使用方法

①index_select

②...

③mask

三、tensor维度的变换

1.维度变换

①torch.view

②squeeze/unsqueeze

③expand，repeat

④t，transpose，permute

一、tensor的创建

1.使用tensor

小写字母的tensor接收具体的数据，可以直接按照numpy的方式输入数组。

2.使用Tensor

大写字母的可以接收形状，此时会生成随机数，但没有任何规则。可以生成不同的类型。

自动生成的数据有默认类型，FloatTensor，可以使用torch.set_default_tensor_type去修改

3.随机初始化

rand：0-1之间均匀采样

randn：均值0，方差1的正态分布随机采样

以上两种可以直接输入形状，即可产生对应形状的随机数。

randint：参数是---起始值、终止值、形状

同时每一个都会有一个_like方法，输入一个tensor，会生成对应形状的新tensor

4.其他数据生成

①torch.full

参数是---形状，数据。如果形状的位置给一个空的list，生成的就是标量。

 

②torch.arange

参数是---起始，终止，步长。不包含终止值。

③linspace和logspace

参数是---起始，终止，数量。包含终止值

 

④ones, zeros, eye

输入形状即可。ones和zeros也有_like方法 

⑤torch.randperm

随机打散。输入一个数字，会自动生成这个数字长度的，从0开始的随机排列数字，可以作为索引。当需要对不同的数据，使用相同的索引，并且打乱顺序时，非常好用。

 

二、tensor的索引与切片

1.索引与切片使用方法

和python中的索引切片使用方法一致

①index_select

输入的参数---维度的位置、要选的内容对应的维度的索引。不太好理解，可以看下面的例子。

 

②...

三个点相当于集成了的连续的冒号。

③mask

需要先根据数据生成一个mask，比如挑选出大于等于0.3的数，此时会得到一个和数据相同形状的，满足条件位置是1，不满足条件的位置是0的一个mask，通过masked_select可以选出数据。

 

 

三、tensor维度的变换

1.维度变换

①torch.view

和numpy中的reshape方法一样。转换的时候需要考虑到实际的物理意义。

②squeeze/unsqueeze

squeeze输入的参数---需要减少的维度所在位置

unsqueeze输入的参数---需要增加的维度所在的位置

 

③expand，repeat

expand输入的参数---希望扩展后所形成的维度

repeat输入的参数---各自维度需要重复的次数

通常使用expand，因为不会主动复制数据。

④t，transpose，permute

t：和numpy中的转置一样，只针对二维矩阵操作

transpose：输入需要交换的维度的位置即可。但想要还原的时候，需记得转换后的各个位置的物理意义，根据实际意义进行再次转换。见下面的例子。

permute：输入希望转换成的维度的位置索引即可。相当于多次使用transpose

PyTorch Tensor基本操作
AvGroovy的博客
10-16 233
PyTorch是一个流行的深度学习框架，提供了强大的张量（Tensor）操作功能。本文将介绍PyTorch张量的基本操作，包括创建张量、索引和切片、数学运算以及形状操作等。本文介绍了PyTorch张量的基本操作，包括创建张量、索引和切片、数学运算以及形状操作等。通过灵活运用这些操作，可以更好地处理和操控张量数据，提高模型的性能和效果。通过指定新的维度大小，可以将张量转换为不同的形状。可以使用索引和切片操作访问张量中的元素。PyTorch提供了丰富的数学运算函数，可以对张量进行加法、减法、乘法、除法等操作。
PyTorch Tensor 形状变化操作详解
大模型天花板
02-17 835
在深度学习中，Tensor 的形状变换是非常常见的操作。PyTorch 提供了丰富的 API 来帮助我们调整 Tensor 的形状，以满足模型输入、计算或数据处理的需求。本文将详细介绍 PyTorch 中常见的 Tensor 形状变换操作，并通过示例代码进行说明。
pytorch中的tensor
joker_xiansen的博客
09-17 1293
1、什么是tensor？ tensor中文意为张量，提到张量最先能想到物理中的张量。有基础物理知识的人都知道，没有方向只有大小的量称为标量，例如普通数字1， 2， 3等，可以比较大小；既有方向又有大小的量称为矢量，例如物理概念中的作用力，不能够简单的比较大小；在物理中学习单元体应力应变状态的时候提到了张量，张量是一组能够表示某一个微元体应力应变状态的分量的集合。张量（tensor）是pytorch中最基础的一种数结构，熟悉numpy数组的话会发现tensor和numpy数组的操作很相似，但不同之处在于te
Pytorch入门——Tensor的基本操作
m0_72303604的博客
01-30 1304
本文基于具体的Python代码，分别讨论Pytorch中张量Tensor的基本概念、创建方式、属性和主要操作。
PyTorch入门：Tensor创建与操作
最新发布
打瓦打go打劫打三角洲，无聊喜欢打火影
09-07 1268
本文介绍了PyTorch深度学习框架的基础知识，主要包含以下内容：1. PyTorch简介与安装。2. Tensor核心概念：详细讲解了张量的定义、特点、数据类型及创建方式，包括基本创建、随机张量生成等。3. Tensor属性与操作：涵盖张量设备切换、类型转换、形状变换、升维降维等核心操作。4. 数据转换与运算：包括Tensor与Numpy互转、元素运算、矩阵乘法、阿达玛积以及广播机制等实用技巧。5. 内存管理：重点分析了view与reshape的区别、内存连续性对操作的影响等底层原理。
pyTorch中tensor运算
weixin_43328816的博客
04-12 4988
文章目录PyTorch的简介PyTorch中主要的包PyTorch的安装使用GPU的原因使数据在GPU上运行什么使Tensor（张量）一些术语介绍Tensor的属性介绍（Rank，axis，shape）RankAxis（轴）shape（形状）不同环境下对Tensor的解释卷积神经网络中对Tensor的解释（CNN）PyTorch下的基本张量输出通道和特征映射PyTorch中对Tensor的解释 PyTorch的简介 PyTorch中主要的包 torch：是顶级PyTorch软件包和tensor库。 torc
Pytorch基础及实战(1)—— 一文详解Pytorch中的Tensor操作
穿着帆布鞋也能走猫步
05-17 4784
一文详解Pytorch中的Tensor操作
PyTorch中的Tensor
深之JohnChen的专栏
03-26 937
PyTorch中的Tensor‌ 是核心数据结构，类似于 NumPy 的多维数组，但具备 GPU 加速和自动求导等深度学习特性。
Pytorch Tensor基本数学运算详解
09-18
本文将深入探讨PyTorch Tensor的基本数学运算，这些运算对于构建深度学习模型至关重要。 首先，我们来看加法运算。在PyTorch中，我们可以直接使用`+`运算符或者`torch.add()`函数将两个Tensor相加。在示例中，当一...
Pytorch Tensor 输出为txt和mat格式方式
09-18
在当今的数据科学和机器学习领域中，Pytorch是一个广泛使用的深度学习框架。...掌握这些基本操作对于数据科学家和机器学习工程师来说是非常重要的，它有助于他们更好地进行数据处理和结果的共享工作。
Pytorch中的Tensor（概要）
HeLoZhaoFei的博客
02-24 3306
一、Tensor的数据类型 说明： Tensor在 PyTorch中负责存储基本数据，PyTorch针对 Tensor也提供了丰富的函数和方法，Pytorch的Tensor与NumPy的数组具有极高的相似性； Tensor是一种高级的API； PyTorch中定义的Tensor数据变量可以在GPUs上进行运算，而且只需对变量做一些简单的类型转换就能够实现； 类型： 1、浮点型​ torch.FloatTensor​：用于生成浮点型Tensor，传递给torch.FloatTensor的参数可以是
PyTorch中tensor介绍
网络资源是无限的
10-30 3529
PyTorch中的张量(Tensor)如同数组和矩阵一样，是一种特殊的数据结构。在PyTorch中，神经网络的输入、输出以及网络的参数等数据，都是使用张量来进行描述。 torch包中定义了10种具有CPU和GPU变体的tensor类型。 torch.Tensor或torch.tensor是一种包含单一数据类型元素的多维矩阵。torch.Tensor或torch.tensor注意事项： (1). torch.Tensor是默认tensor类型torch.Flo...
PyTorch的Tensor（张量）
学习记录
12-31 1658
张量是一个，它是标量、向量、矩阵的高维拓展。
pytorch里tensor用法总结
sixth_sir的博客
07-30 1203
通过这篇总结，希望可以帮助pytorch学习者更好掌握Tensor的基本用法。
Pytorch中关于Tensor的操作
2301_78848414的博客
12-19 605
10.Tensor的变换。1.Tensor的创建。9.Tensor的查询。2.矩阵的叉乘和点乘。
PyTorch 基础：Tensor（张量）
谢TS的博客
07-13 4488
PyTorch 是由 Facebook 研发的开源的深度学习框架，并且支持 CPU 和 GPU 加速计算。torch.Tensor 是包含单一数据类型元素的多维数组，它是 PyTorch 中数据存储和运算的基本单元，类似于 NumPy 的 numpy.ndarray，两者的函数接口和运算方式几乎一样。实际上 PyTorch 内部也是把 ndarray 包装成 Tensor。Tensor 中文称为 张量（可以看做是一个多维数组），是 PyTorch 中最基本的数据类型。
Pytorch之Tensor基本操作
你这个代码我看不懂的博客
03-21 1643
pytorch中基本数据是一个tensor对象，类似于numpy中的ndarray。下面列举一些张量的简单使用方法。 （1）创建tensor #创建未初始化的张量 x1 = torch.Tensor(3,2) #创建随机的张量 x2 = torch.rand(3,2) #创建全为1的张量 x3 = torch.ones(3,2) #创建全为0的张量 x4 = torch.zeros(3,2) #四个结果如下 tensor([[1.3527e+13, 5.8294e-43], [1.3153
【Pytorch】Tensor基本操作
lucashu的博客
09-21 3174
PyTorch里面处理的最基本的操作对象就是Tensor（张量),它表示的是一个多维矩阵,在使用上和numpy是对应的32位浮点型：torch.FloatTensor。pyorch.Tensor()默认的就是这种类型。64位整型：torch.LongTensor。32位整型：torch.IntTensor。16位整型：torch.ShortTensor。64位浮点型：torch.DoubleTensor。
pytorch Tensor及其基本操作
Running Snail
04-23 920
本章只是对pytorch的常规操作进行一个总结，大家看过有脑子里有印象就好，知道有这么个东西，需要的时候可以再去详细的看，另外也还是需要在实战中多运用。 Tensor attributes: 在tensor attributes中有三个类，分别为torch.dtype, torch.device, 和 torch.layout 其中， torch.dtype 是展示 torch.Tensor 数据类型的类，pytorch 有八个不同的数据类型,下表是完整的 dtype 列表. Torch.device 是
pytorch tensor基本操作
01-03
### PyTorch Tensor 基本操作教程 #### 创建张量 在PyTorch中，可以通过多种方式创建张量。最简单的方式是直接从Python列表或其他序列化对象构建张量。 ```python import torch # 使用tensor函数创建不同维度的张量 scalar = torch.tensor(7.) # 创建0维张量 (标量) vector = torch.tensor([1., 2., 3.]) # 创建一维张量 (向量) matrix = torch.tensor([[1., 2.], [3., 4.]]) # 创建二维张量 (矩阵) print(f'Scalar: {scalar}') print(f'Vector: {vector}') print(f'Matrix:\n{matrix}') ``` 对于特定类型的张量，可以直接调用相应的构造器： ```python int_vector = torch.IntTensor([1, 2, 3]) float_matrix = torch.FloatTensor([[1.0, 2.0], [3.0, 4.0]]) double_tensor = torch.DoubleTensor([1.0]) print(int_vector.type()) # 输出张量的数据类型 print(float_matrix.type()) print(double_tensor.type()) ``` #### 数学运算 支持广泛的数学运算符，包括但不限于加减乘除幂次方根等常见算术运算。这里展示几个例子: ```python a = torch.randn((2, 3)) b = torch.ones_like(a) addition_result = a + b # 加法 multiplication_result = a * b # 逐元素相乘 reciprocal_result = torch.reciprocal(b) # 计算倒数[^3] print(addition_result) print(multiplication_result) print(reciprical_result) ``` #### 形状变换 调整张量大小或排列顺序是非常常见的需求之一，在PyTorch里这被称为视图(view)，reshape 或 transpose 等方法都可以实现这一目的。 ```python original_tensor = torch.arange(start=0,end=9).view(-1,3) transposed_tensor = original_tensor.t() # 转置 reshaped_tensor = original_tensor.reshape((-1)) # 展平成一维数组 print('Original:') print(original_tensor) print('\nTransposed:') print(transposed_tensor) print('\nReshaped:') print(reshaped_tensor) ``` #### 默认数据类型设置 当不指定具体类型时，默认情况下会创建`FloatTensor`类型的张量。如果想要改变全局默认行为，则可通过如下命令完成配置。 ```python torch.set_default_tensor_type(torch.DoubleTensor) # 设置新的默认张量类型为DoubleTensor new_default_tensor = torch.tensor([1., 2.]) # 此处即使未显式指明也会按照新设定生成相应类型的实例 print(new_default_tensor.dtype) # 验证其实际类型确实已被更改为了双精度浮点数 ```
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