【Week1】张量

最新推荐文章于 2022-04-16 16:24:17 发布
最新推荐文章于 2022-04-16 16:24:17 发布
阅读量128 收藏
点赞数
分类专栏： pytorch 学习笔记 文章标签： python
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/cicylee/article/details/109370334
版权
本文介绍了PyTorch中的张量概念，包括张量的定义、Variable的属性以及张量的创建方法，如直接创建、依据数值创建，并详细阐述了各种创建函数的参数和用法，如torch.tensor(), torch.zeros(), torch.normal()等。" 113075038,10542778,Golang NIO模型与高性能网络库解析,"['Golang', '网络编程', 'NIO模型', '多路复用模型', '系统调用']
摘要由CSDN通过智能技术生成

【Week1】张量

张量是什么

张量是一个多维数组，是标量、向量、矩阵的高维拓展。标量是没有方向的。

Variable是torch.autograd中的数据类型，主要用于对Tensor封装，进行自动求导，对Tensor进行属性添加。

Variable 的五个属性：

​ data：被包装的Tensor

​ grad：data的梯度

​ grad_fn:创建Tensor的Function，是自动求导的关键。

​ requires_grad：指是否需要梯度

​ is_leaaf: 指是否是叶子节点（张量）

从pytorch 0.4开始，Variable并入Tensor，新加入了三个属性：

​ dtype：张量的数据类型，例如torch.FloatTensor，torch.cuda.FloatTensor

​ 注：CV中常用到的数据类型 torch.float32、torch.long（图像标签常用）

​ shape：张量的形状，如（6，3，224，224）

​ device：张量所在设备，GPU/CPU，是加速的关键

张量的创建
一、直接创建

torch.tensor()

功能：从data创建tensor

参数：

  • data：数据，可以是list，numpy
  • dtype：数据类型，默认与data的一致
  • device：所在设备
  • requires_grad：是否需要内存
  • pin_memory：是否存于锁页内存

torch.from_numpy(ndarray)

功能：从numpy创建tensor

**注：**从torch.from_numpy创建的tensor和原来的ndarray是共享内存的。

二、依据数值创建

torch.zeros()

功能：根据size创建全零张量

参数：

  • size ：张量的形状，(3,3)、(3,224,224)
  • out：输出的张量
  • layout :内存中的布局形式，默认是strided，sparse_coo是表示一个稀疏矩阵
  • device：所在设备，gpu/cpu
  • requires_grad：是否需要梯度

torch.zeros_like()

功能：创建和input形状一样的全0张量

参数：

  • input：创建与input同形状的全0张量
  • dtype：数据类型
  • layout：内存中的布局形式

注：torch.ones()和torch.ones_like()与zeros相近

torch.full()和torch.full_like()

功能：依input形状创建指定数据的张量

  • size：张量的形状，如(3,3)
  • fill_value：张量的值

torch.arrange()

功能：创建等差的1维张量

注：数值区间为[star,end)

  • start：数列的起始值
  • end：数列的“结束值”
  • step：数列公差，默认为1

torch.linsapce()

功能：创建均分的1维张量

注：数值区间为[star,end)，数列间隔为：（end-start）/（step-1）

  • start：数列的起始值
  • end：数列的“结束值”
  • step：数列长度

torch.logspace()

功能：创建对数均分的1维张量

注：长度为steps，底为base

  • start：数列的起始值
  • end：数列的结束值
  • steps：数列长度
  • base：对数函数的底，默认为10

torch.eye()

功能：创建单位对角矩阵（2维张量）

注意事项：默认为方正，只用传一个参数

  • n：矩阵行数
  • m：矩阵列数

三、依概率分布的创建张量

torch.normal()

功能：生成正态分布（高斯分布）

  • mean：均值
  • std：标准差

四种模式：
在这里插入图片描述
mean为标量，std为标量 增加一个参数size，torch.normal(0,1,size=(4,))当都为标量的时候，size是一个元组类型。

mean为标量，std为张量

mean为张量，std为标量

mean为张量，mean为张量 结果也是张量

torch.randn_like()和torch.randn()

功能：生成标准整态正态分布

  • size：张量的形状

torch.rand()

torch.rand_like()

功能：在区间[0,1)上，生成均匀分布

torch.randint()

torch.randint_like()

功能：区间[low，high）生成整数均匀分布

  • size：张量的形状

torch.randperm()

功能：生成从0到n-1的随机排列

  • n：张量的长度

torch.bernoulli()

功能：以input为概率，生成伯努力分布（0-1分布，两点分布）

  • input：概率值
猫熊学搬砖
关注
专栏目录
Week1 Machine Learning Revisited & Introduction to Deep Learning and Feedforward Neural Networks
金州饿霸吃不饱的博客
06-22 399
Machine Learning Revisited & Introduction to Deep Learning and Feedforward Neural Networks
Sequence Model-week1编程题3-用LSTM网络生成爵士乐
豆子
06-26 588
Improvise a Jazz Solo with an LSTM Network 实现使用LSTM生成音乐的模型，你可以在结束时听你自己的音乐，接下来你将会学习到： 使用LSTM生成音乐 使用深度学习生成你自己的爵士乐 现在加载库，其中，music21可能不在你的环境内，你需要在命令行中执行pip install msgpack以及pip install music21来...
pytorch学习笔记一：张量的创建
Sagacity_1125的博客
06-04 381
一、直接创建 1.1 通过torch.tensor创建张量 torch.tensor( data,dtype=None, device=None, requires_grad=False, pin_memory=False) data：数据，可以是list，numpy dtype：数据类型，默认与data一致 device：所在设备，cuda/cpu requires_grad：是否需要梯度 pin_memory：是否存于锁页内存 举例：
pytorch基础（一）-----------张量的创建
m0_55769743的博客
12-06 1519
张量在深度学习中是一个经常使用的，张量是一个多维数组，它是标量、向量、矩阵的高维拓展（1*1的数组成为标量、一维数组成为向量，二维数组称为矩阵）。张量的属性有： dtype：张量的数据类型 shape：张量的形状 device：张量所在的设备，例如GPU/CPU data：被包装的tensor grad：data的梯度 grad_fn：创建张量的function，是自动求导的关键 requires_grad：是否需要梯度 is_leaf：是否是叶子节点 张量的创建 一、直接创建 1、通过数据创建 torch
【Pytorch】Pytorch中张量的创建和维度的操作
FelicityXu的博客
03-08 3867
一些pytorch的基础知识
pytorch 如何创建一维张量（tensor)
qq_34612369的博客
08-14 4588
pytorch创建张量的博客有很多，但是大多数都没有写到怎样创建一维张量，这个问题也困扰了我许久。有两种方法： 创建一个一维30个元素的tensor： data = torch.Tensor(size=([30])) or data = torch.Tensor(torch.Size([30])) ...
torch.Tensor（）与torch.empty（）张量创建方法
热门推荐
weixin_41790566的博客
05-12 3万+
torch.empty() 创建任意数据类型的张量 torch.tensor() 只创建torch.FloatTensor类型的张量 所以torch.Tensor() 是torch.empty() 的特例 empty（）返回一个包含未初始化数据的张量。使用参数可以指定张量的形状、输出张量、数据类型。 举例 empty = torch.empty(2, 3) # Returns a tensor filled with uninitialized data. print(empty) ...
请帮我把这段代码改成def的形式data = torch.randn(16992, 307, 12, 2) week_feature = torch.zeros((data.shape[0], 1)) # 遍历所有时间点，获取对应的星期并将星期转化为对应的数字 for i in range(data.shape[0]): date_str = '2016-01-01 00:00:00' # 假设数据集中的时间从2016年1月1日开始 date = datetime.datetime.strptime(date_str, '%Y-%m-%d %H:%M:%S') date += datetime.timedelta(minutes=5*i) # 每个时间点间隔5分钟 week = date.weekday() # 获取星期，0表示星期一，1表示星期二，以此类推 week_feature[i] = week + 1 # 将星期转化为对应的数字并将其存入星期特征张量中 # 将星期特征添加到原有的数据集中 week_feature=week_feature.unsqueeze(1).repeat(1, 307, 12, 1) week_feature=week_feature.reshape(16992,307,12,1) data = torch.cat((data, week_feature), dim=-1) # week_feature = week_feature.repeat(1, 307, 12, 1) # 将星期特征张量与数据集在最后一个维度上拼接 # data = torch.cat((data, week_feature), dim=-1) # 输出结果 print(data) print(data.shape) ，pytorch版本
最新发布
06-12
week_feature[i, j, 0] = week + 1 # 将星期转化为对应的数字并将其存入星期特征张量中 # 将星期特征添加到原有的数据集中 week_feature = week_feature.repeat(1, 1, num_features).reshape(batch_size, seq_...
我有一个形状为（16992，1）的星期特征张量，和一个形状为（16992，307，12，2）的数据集，其中，16992是时间段数，307是传感器节点个数，12是历史步长，2是特征维度。第一个特征维度是速度，第二个特征维度是根据邻接矩阵产生的度特征。我需要把星期特征张量添加到特征维度中，即2变成3.pytorch代码应该怎么写？data = torch.cat((data, week_feature.unsqueeze(-1)), dim=-1)这样写会报错Tensors must have same number of dimensions: got 4 and 3，这样应该怎么调整呢，为什么会产生这样的情况？请给我一个能够成功添加的pytorch代码
06-06
根据您的描述，您需要将形状为(16992,1)的星期特征张量添加到形状为(16992,307,12,2)的数据集中，使其变成形状为(16992,307,12,3)的新数据集。您可以使用以下代码： ``` import torch # 假设星期特征张量为week_...
python选取tensor某一维_详解PyTorch中Tensor的高阶操作
weixin_39571404的博客
12-11 6172
条件选取：torch.where(condition, x, y) → Tensor返回从 x 或 y 中选择元素的张量，取决于 condition操作定义：举个例子：>>> import torch>>> c = randn(2, 3)>>> ctensor([[ 0.0309, -1.5993, 0.1986],[-0.0699, -2.7...
pytorch和张量维度操作的一些方法
weixin_43220532的博客
04-15 3194
在深度学习中经常会用到一些方法来获取张量的维度数目，以及某一维度的具体大小，或者对张量的某些维度进行操作。下面介绍和张量维度相关的办法。 import torch a = torch.randn(3, 4, 5) #创建一个张量a print(a.ndimension()) # 获取维度的数目 print(a.nelement()) # 获取张量的总元素数目 print(a.size()) # 获取该张量每个维度的大小，调用方法 print(a.shape) # 获取该张量每个维度的大小
torch.Tensor的乘法汇总
qq_26815437的博客
10-06 1676
torch.Tensor的4种乘法 torch.Tensor有4种常见的乘法：*, torch.mul, torch.mm, torch.matmul. 本文抛砖引玉，简单叙述一下这4种乘法的区别，具体使用还是要参照官方文档。 点乘 a与b做*乘法，原则是如果a与b的size不同，则以某种方式将a或b进行复制，使得复制后的a和b的size相同，然后再将a和b做element-wise的乘法。 下面以*标量和*一维向量为例展示上述过程。 * 标量 Tensor与标量k做*乘法的结果是Tensor的
Torch入门(一)数据操作
xiao_yan_的博客
04-16 1390
张量 概念：张量（Tensor）是一个定义在一些向量空间和一些对偶空间的笛卡儿积上的多重线性映射，其坐标是|n|维空间内，有|n|个分量的一种量， 其中每个分量都是坐标的函数， 而在坐标变换时，这些分量也依照某些规则作线性变换。r 称为该张量的秩或阶（与矩阵的秩和阶均无关系）。 张量的定义 torch.arange(24)：定义一个自增长的一维张量（从0到24） torch.zeros(24)：定义一个全为0的一维张量 torch.zeros(4)：定义一个全为1的一维张量 改变张量的维度 x = x.
pytorch的入门操作(2)
m0_53292725的博客
11-27 2527
接上篇 轴交换只能用transpose和permute 千万不能用view（） （8）取值 tensor[1, 3]获取tensor中第一行第三列的值 ​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​如果要取这个18 三维t4[1, 2, 1] 第二块 第三行第二列 如果要取整个第一块 t4[0] 或者t4[0, :, :] （9）赋值 tensor[...
【pyTorch基础】(2) 张量的创建方法
博观而约取，厚积而薄发
04-16 4276
终于还是入坑了pyTorch，这个月的目标检测先停更一段时间，先学一段时间的GCN。立个flag，下个月把TensorFlow版的YOLOV5更完。 1. 创建 numpy 类型转为 Tensor 类型 由于numpy数组类型是最常用的，可以先使用numy创建数组，再从数组转为张量，基本数据类型保持不变，例如：np.float64 变成 torch.float64。 从numpy转为tensor类型的方法： torch.from_numpy( numpy数组) # 转换后的数据类型是对应的 im.
PyTorch中张量的创建和常用方法
qq_44289607的博客
01-26 2784
PyTorch中张量的创建及一些常用方法
Pytorch张量数据类型
Swayzzu的博客
11-01 1905
python 和 pytorch的数据区别 表达字符串：转换成编码的类型，比如one_hot，word2vec等 如果是GPU tensor， 名字中间会加上cuda 标量： [3]是1维，3是0维，也就是标量。 可以通过不同的方法查看数据的维度： 比如损失函数值，就是0维的。 dim是维度，size/shape是形状 向量： 算法中输入的偏置项，是一维的tensor，也就是向量。 三位适合RNN 四维适合CNN 2张图，3层颜色，...
Numpy,Tensor维度的理解方式
weixin_42670810的博客
04-02 1432
Numpy,Tensor维度的理解方式 就像学数学一样，对加减乘除各方式都需要一个理解的入门方法。 import numpy as np b = np.array([[[1,2], [3,4], [5,6]], [[11,12],[13,14],[15,16]], [[21,22],[23,24],[25,26]], [[31,32],[33,34],[35,36]]]) print(b.ndim) # 3 pri
【快速理解张量】通过torch.rand和举例通俗解释张量tensor
qq_45193872的博客
04-07 2万+
如何理解张量（tensor）成了深度学习路途中不可缺少的一步，讲真的，刚学习深度学习那会儿张量实在是困惑了自己很长一段时间，而这篇文章根据自己学习深度学习的历程给出了一个清晰通俗的解释，相比于官方教材给出了更容易让初学者更能理解的逻辑举例。 如果你的张量理解程度还停留在只能想象出三维的张量维度的话，相信这篇文章一定能让你彻底理解各种维度的张量！
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