张量简介与创建

最新推荐文章于 2024-03-21 10:50:23 发布
最新推荐文章于 2024-03-21 10:50:23 发布
阅读量414 收藏
点赞数
分类专栏： # 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/haimianjie2012/article/details/108461417
版权

更多见深度学习.pytorch

目录

习题练习

张量

1.定义

2.张量创建：直接创建

2.1张量创建：torch.tensor

2.2张量创建：from_numpy

3.张量创建：依据数值创建

3.1torch.zeros()

 3.2torch.zeros_like()

3.3torch.ones()

3.4torch.ones_like()

3.5torch.full()

3.6torch.full_like()

3.7torch.arange()

3.8torch.linespace()

 3.9torch.logspace()

3.10torch.eye()

4.张量创建：依据概率分布创建

4.1torch.normal()

4.2torch.randn()

4.3torch.randn_like()

4.4torch.rand()

4.5torch.rand_like()

4.6torch.randint()

4.7torch.randint_like()

4.8torch.randperm()

4.9torch.bernoulli()

习题练习

  1. 张量与矩阵、向量、标量的关系是怎么样的？
  2. Variable“赋予”张量什么功能？
    1. 自动求导
  3. 采用torch.from_numpy创建张量，并打印查看ndarray和张量数据的地址；
  4. 实现torch.normal()创建张量的四种模式。

张量

1.定义

张量是多维数组，它是标量、向量、矩阵的高维拓展。

 

2.张量创建：直接创建

2.1张量创建：torch.tensor

torch.tensor(

data,

dtype=None,

device=None,

requires_grad=False,

pin_memory=False):

从data创建tensor。

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:是否存在锁页内存。

1.

import numpy as np
import torch

#通过torch.tensor创建
arr = np.ones((3,3))
print("arr的数据类型：{}".format(arr.dtype))
t = torch.tensor(arr)
print(t)

输出：

arr的数据类型：float64
tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], dtype=torch.float64)

张量t的数据类型与arr的数据类型一致，都是float64。

2.

import numpy as np
import torch

#通过torch.tensor创建
arr = np.ones((3,3))
print("arr的数据类型：{}".format(arr.dtype))
t = torch.tensor(arr, device="cuda")
print(t)

输出：

arr的数据类型：float64
tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], device='cuda:0', dtype=torch.float64)

2.2张量创建：from_numpy

功能：从numpy创建tensor。

从torch。from_numpy创建的tensor与原来的ndarray共享内存，当修改其中一个数据，另一个也将会被改变。

# ===============================  example 2 ===============================
# 通过torch.from_numpy创建张量
arr = np.array([[1, 2, 3], [4, 5, 6]])
t = torch.from_numpy(arr)
print("numpy array: ", arr)
print("tensor : ", t)

print("\n修改arr")
arr[0, 0] = 0
print("numpy array: ", arr)
print("tensor : ", t)

print("\n修改tensor")
t[0, 0] = -1
print("numpy array: ", arr)
print("tensor : ", t)

输出：

numpy array:  [[1 2 3]
 [4 5 6]]
tensor :  tensor([[1, 2, 3],
        [4, 5, 6]], dtype=torch.int32)

修改arr
numpy array:  [[0 2 3]
 [4 5 6]]
tensor :  tensor([[0, 2, 3],
        [4, 5, 6]], dtype=torch.int32)

修改tensor
numpy array:  [[-1  2  3]
 [ 4  5  6]]
tensor :  tensor([[-1,  2,  3],
        [ 4,  5,  6]], dtype=torch.int32)

3.张量创建：依据数值创建

3.1torch.zeros()

功能：依size创建全0张量

size:张量的形状，如（3,3），（3,224,224）

out:输出的张量

layout:内存中布局形式，有strided,sparse_coo等，默认strided,稀疏矩阵使用sparse_coo

device:所在设备，cuda/cup

requires_grad：是否需要梯度。

# 通过torch.zeros创建张量
out_t = torch.tensor([1])

t = torch.zeros((3, 3), out=out_t)

print(t, '\n', out_t)
print(id(t), id(out_t), id(t) == id(out_t))

输出：

tensor([[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]]) 
 tensor([[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]])
2100226699000 2100226699000 True

 3.2torch.zeros_like()

功能：从input形状创建全0张量；input:创建与input同形状的全0张量；dtype：数据类型；layout:内存中布局形式。

3.3torch.ones()

3.4torch.ones_like()

3.5torch.full()

3.6torch.full_like()

依据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。

# ===============================  example 4 ===============================
# 通过torch.full创建全1张量
t = torch.full((3, 3), 1)
print("t:", t)
a = torch.full((3, 3), 3)
print("a:", a)

输出：

t: tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]])
a: tensor([[3., 3., 3.],
        [3., 3., 3.],
        [3., 3., 3.]])

3.7torch.arange()

功能：创建等差的1维张量；注意事项：数值区间[start,end);

start:数列起始值；end:数列“结束值”；step:数列公差，默认为1。

# ===============================  example 5 ===============================
# 通过torch.arange创建等差数列张量
t = torch.arange(2, 10, 2)
print(t)

输出：

tensor([2, 4, 6, 8])

3.8torch.linespace()

功能：创建均分的1维张量。

注意事项：数值区间[start,end].

start:数列起始值；end:数列结束值；steps:数列长度。

# ===============================  example 6 ===============================
# 通过torch.linspace创建均分数列张量
t = torch.linspace(2, 10, 5)
print("t:", t)
a = torch.linspace(2, 10, 6)
print("a:", a)

输出：

t: tensor([ 2.,  4.,  6.,  8., 10.])
a: tensor([ 2.0000,  3.6000,  5.2000,  6.8000,  8.4000, 10.0000])

 3.9torch.logspace()

功能：创建对数均分的1维张量。

注意事项：长度steps,底为base。

3.10torch.eye()

功能：创建单位对角矩阵（2维张量）

注意事项:默认为方阵。

n:方阵行数；m：矩阵列数。

4.张量创建：依据概率分布创建

4.1torch.normal()

功能:生成正态分布，也就是高斯分布。mean:均值；std:方差。

可以分为四种模式：mean为标量，std为标量；mean为标量，std为张量；mean为张量，std为标量；mean为张量，std为张量。

# mean：张量 std: 张量
mean = torch.arange(1, 5, dtype=torch.float)
std = torch.arange(1, 5, dtype=torch.float)
t_normal = torch.normal(mean, std)
print("mean:{}\nstd:{}".format(mean, std))
print(t_normal)

输出：

mean:tensor([1., 2., 3., 4.])
std:tensor([1., 2., 3., 4.])
tensor([3.2227, 5.1389, 2.7871, 2.5042])

 3.2227, 5.1389, 2.7871, 2.5042来自四个不同高斯分布，3.2227均值为1，方差为1；2.7871均值为2，方差为2。

# mean：标量 std: 标量
t_normal = torch.normal(0., 1., size=(4,))
print(t_normal)

mean为标量，std为标量时，需要指定size

输出：

tensor([ 0.3160, -0.7045,  1.1657,  2.6423])

输出的tensor来自同一个分布，均值为0，方差为1。

# mean：张量 std: 标量
mean = torch.arange(1, 5, dtype=torch.float)
std = 1
t_normal = torch.normal(mean, std)
print("mean:{}\nstd:{}".format(mean, std))
print(t_normal)

输出：

mean:tensor([1., 2., 3., 4.])
std:1
tensor([-0.2408,  3.0934,  4.7962,  5.1816])

tensor大小与mean_tensor相同，tensor每个元素均值与mean_tensor一一对应。 

4.2torch.randn()

4.3torch.randn_like()

生成标准正态分布。

4.4torch.rand()

4.5torch.rand_like()

在[0,1)上，生成均匀分布

4.6torch.randint()

4.7torch.randint_like()

在区间[low,high)生成整数均匀分布。

4.8torch.randperm()

生成从0到n-1的随机排列，n为张量长度。

4.9torch.bernoulli()

以input为概率，生成伯努利分布（0-1分布，两点分布）

 

 

haimianjie2012
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
Pytorch的mean和std调查实例
09-18
今天小编就为大家分享一篇Pytorch的mean和std调查实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
Pytorch中的mean()
WangWen123_111的博客
02-23 1万+
x=torch.Tensor(range(1,17)) x=x.reshape(2,2,2,2) print('x: ',x) print('mean(0): ',x.mean(0)) print('mean(1): ',x.mean(1)) print('mean(2): ',x.mean(2)) print('mean(3): ',x.mean(3)) out: x: tensor([...
Pytorch： torch.mean()
最新发布
weixin_42046845的博客
03-21 1548
在PyTorch中，函数 torch.mean 用于计算张量的平均值（均值）。其可以对整个张量计算平均值，也可以沿某个或多个维度计算平均值。这个操作对于正则化数据、在神经网络中进行层间规范化等场合特别有用。
Pytorch中torch.mean()函数
Ryan0828的博客
08-11 8368
Pytorch中torch.mean()函数 TORCH.MEAN 参考了官方文档的详细介绍。 基本语法： torch.mean(Tensor) 函数返回了一个输入张量Tensor中所有元素的平均值，返回值同样是tensor类型。 具体的使用中，该函数的形参有两种： 1、可以是一个tensor； 2、也有另一种重载形式。 对于第一种情况，官方文档给出的示例很好理解，形参列表输入tensor类型的张量，输出均值tensor。 例如： >>> a = torch.randn(1, 3) &g
张量的创建
xdedmi_的博客
07-31 282
笔记
pytorch张量创建与操作
01-20
张量创建 1. 直接创建 1.1 torch.tensor() 1.2 torch.from_numpy(ndarray) #从numpy创建tensor， 与原ndarray共享内存 2. 通过数值创建 2.1 torch.zeros() torch.zeros_like() torch.ones() torch.ones_like() ...
PyTorch中张量的创建方法
12-22
在深入探讨张量的创建方法之前，我们先来了解张量的一些基本属性。 1. `data`: 这个属性包含了张量的实际数值。当你对张量进行操作时，实际上就是在操作`data`。 2. `grad`: 张量的梯度，用于自动微分，是反向传播...
numpy 张量拉平与恢复
12-21
在numpy库中，处理高维数据时，张量（多维数组）的拉平和恢复是常见的操作。张量拉平通常是为了简化计算，比如在优化算法如梯度下降中，将高维梯度转化为一维数组能更方便地计算自适应步长。而恢复原始维度则有助于...
pytorch张量创建详细讲解
08-02
Jupyter文件，适用初学者，附带注释
创建pytorch张量
12-21
1、numpy->tensor 注： tensor()参数为具体的数据， Tensor() 和 FloatTensor()参数可以为数据也可以为维度信息，但是一般不用他来放数据 a = torch.Tensor(2, 3) print(a) a = torch.FloatTensor(2, 3) ...
pytorch里面的mean函数使用
m0_48095841的博客
06-21 5038
import torch x = torch.arange(24).view(2,3,4).float() print(x)
Pytorch torch.mean()的简单用法
xiongxyowo的博客
04-07 5万+
简单来说就是求平均数。 比如以下的三种简单情况： import torch x1 = torch.Tensor([1, 2, 3, 4]) x2 = torch.Tensor([[1], [2], [3], [4]]) x3 = torch.Tensor([[1, 2], [3, 4]]) y1 = torch.mean(x1) y2 = torch.me
pytorch 对特征进行mean_pytorch基本操作（待更新）
weixin_39655993的博客
12-29 362
1.torch.cuda()torch.cuda会记录当前选择的GPU，并且分配的所有CUDA张量将在上面创建。可以使用torch.cuda.device上下文管理器更改所选设备。但是，一旦张量被分配，您可以直接对其进行操作，而不考虑所选择的设备，结果将始终放在与张量相同的设备上。默认情况下，不支持跨GPU操作，唯一的例外是copy_()。 除非启用对等存储器访问，否则对分布不同设备上的张量任何启...
Pytorch\张量的创建
linchao0711的博客
04-03 2231
张量的创建 torch.tensor() 从data创建一个张量 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, cuda/cpu requires_grad：是否需要梯度操作 pin_memory：是否存于锁页内存 torch.zeros() 根据size创建全为0的张量 ...
pytorch 对特征进行mean_使用PyTorch对音频进行分类
weixin_39628405的博客
12-30 681
作者 |Aakash来源|Medium编辑|代码医生团队什么是分类问题？对对象进行分类就是将其分配给特定的类别。这本质上是一个分类问题是什么，即将输入数据从一组这样的类别，也称为类分配到预定义的类别。机器学习中的分类问题示例包括：识别手写数字，区分垃圾邮件和非垃圾邮件或识别核中的不同蛋白质。https://www.kaggle.com/c/jovian-pytorch-z2g使...
PyTorch基础（九）----- torch.mean()方法
奋斗の博客
04-02 4806
一、方法详解 含义：顾名思义，返回一个Tensor的均值 torch.mean(input, dim, keepdim=False) input：输入的张量 dim：求均值的维度，若dim = 0，则沿行求均值；若dim=1，则沿列求均值 keepdim：输出张量是否跟输入张量的另一个维度相同 这个用言语很难说明白，我们直接通过案例来理解掌握！ 二、案例 案例1 import torch x = torch.randn(4, 4) print(x.size()) y = torch
pytorch 对特征进行mean_pytorch常用normalization函数
weixin_40006133的博客
12-19 348
参考：https://blog.csdn.net/liuxiao214/article/details/81037416归一化层，目前主要有这几个方法，Batch Normalization(2015年)、Layer Normalization(2016年)、Instance Normalization(2017年)、Group Normalization(2018年)、Switchable No...
pytorch中张量的三种创建方式(有代码实现)
manzubaolong的博客
10-22 873
import torch import numpy as np torch.tensor(data, dtype=None, device=None, requiers_grad=False, pin_memory=False) # 从data创建tensor data:数据，可以是list,numpy dtype:数据类型，默认与data一致 device:所在设备 gpu/cpu requores_grad:是否需要梯度 pin_memory:是否存于锁页内存 torch.from_numpy(n
张量的通俗理解
热门推荐
ChenYX的博客
03-11 20万+
也许你已经下载了TensorFlow，而且准备开始着手研究深度学习。但是你会疑惑：TensorFlow里面的Tensor，也就是“张量”，到底是个什么鬼？也许你查阅了维基百科，而且现在变得更加困惑。也许你在NASA教程中看到它，仍然不知道它在说些什么？问题在于大多数讲述张量的指南，都假设你已经掌握他们描述数学的所有术语。 别担心！ 我像小孩子一样讨厌数学，所以如果我能明白，你也可以！我们只需要...
libtorch张量创建
04-29
在libtorch中，可以使用以下方式创建张量： 1. 从现有数据创建张量 可以使用 `torch::from_blob()` 函数从现有数据中创建张量。...以上是常用的张量创建方法，还有其他创建方法，具体可以参考libtorch官方文档。
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

打赏作者

haimianjie2012

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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