每天五分钟深度学习框架pytorch:如何创建多维Tensor张量元素?

本文重点

上节课程我们学习了如何创建Tensor标量,我们使用torch.tensor。本节课程我们学习如何创建Tensor向量,我们即可以使用torch.Tensor又可以使用torch.tensor,下面我们看一下二者的共同点和不同点。

Tensor张量

tensor张量是一个多维数组,零维就是一个点(就是上一章的标量),一维就是向量,二维就是一般的矩阵,多维就相当于一个多维的数组,这和 numpy理解是一样的,不同的是Tensor不仅可以在CPU上跑,在GPU上也可以跑。

创建tensor的三种方式:

方式一:将numpy转成tensor

import torch
import numpy as np
a=np.zeros((1,4))
b=torch.from_numpy(a)
print(b.dim())
print(b.shape)
print(b.size())

方式二:将列表,元组,数据转成tensor,常用于两维以下

impor
  • 4
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
PyTorch是一个基于Python的开源机器学习框架,由Facebook的人工智能研究团队开发。它支持动态计算图,具有灵活性和易用性,是深度学习领域中最受欢迎的框架之一。 以下是深度学习PyTorch框架相关的知识点: 1. 张量(Tensor): PyTorch中的核心数据结构,类似于Numpy中的数组,用于存储和操作多维数组。张量可以在CPU和GPU上进行计算,支持自动求导和梯度下降等功能。 2. 自动求导(Autograd): PyTorch中的自动求导功能可以自动计算变量的导数,使得神经网络的训练过程更加方便和高效。 3. 神经网络模块(nn.Module): PyTorch中的神经网络模块是一个抽象的概念,可以定义一个神经网络层、激活函数、损失函数等,方便构建复杂的神经网络模型。 4. 模型训练(Training): 在PyTorch中,模型训练通常包括以下步骤:定义模型、定义损失函数、定义优化器、循环迭代数据集、计算损失、反向传播、更新模型参数。 5. 模型评估(Evaluation): 在PyTorch中,模型评估通常包括以下步骤:加载模型、设置模型为评估模式、循环迭代数据集、计算模型输出、计算评估指标。 6. PyTorch视觉库(torchvision): PyTorch视觉库提供了许多常用的计算机视觉任务的数据集、模型和预处理函数,方便用户快速构建视觉模型。 7. PyTorch分布式训练(Distributed Training): PyTorch支持分布式训练,可以将模型和数据分配到多个计算节点上进行训练,提高训练效率和扩展性。 8. PyTorch部署(Deployment): PyTorch支持将训练好的模型导出为ONNX格式,可以在不同的平台上进行部署,如移动设备、嵌入式设备、Web应用等。 以上是深度学习PyTorch框架相关的知识点,掌握这些知识可以帮助用户更好地使用PyTorch构建和训练深度学习模型。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

幻风_huanfeng

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
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