PyTorch中的Tensor

最新推荐文章于 2024-01-08 17:16:00 发布
最新推荐文章于 2024-01-08 17:16:00 发布
阅读量207 收藏 2
点赞数
分类专栏： Pytorch学习 文章标签： 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/kissedbywater/article/details/102504897
版权

文章目录

Tensor 与 Variable

Variable

torch.autograd.Variable()

Variable 是torch.autograd中的数据类型(但目前已并入Tensor), 主要用于封装tensor, 进行自动求导

  • data: 被包装的tensor
  • grad: data 的梯度
  • grad_fn: 创建Tensor的Function(加法，乘法等), 是自动求导的关键
  • requires_grad: 指示是否需要梯度
  • is_leaf: 指示是否是叶子结点(张量)

Tensor

PyTorch0.4.0版开始，Variable并入Tensor

  • data, grad, grad_fn, requires_grad, is_leaf 同上
  • dtype：张量的数据类型，如torch.FloatTensor（32位）, torch.cuda.FloatTensor
  • shape: 张量的形状， 如(64, 3, 255, 255)
  • device: 张量所在设备， GPU/CPU

Tensor的创建

一：直接创建

1.1 torch.tensor()

torch.tensor(
			data,
			dytpe=None,
			device=none，
			requires_grad=False,
			pin_memory=False)

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
import torch
import numpy as np

# 通过torch.tensor 创建张量
flag = True
if flag:
    arr = np.ones((3, 3))
    print('ndarry的数据类型: ', arr.dtype)
    t1 = torch.tensor(arr, device='cuda')
    t2 = torch.tensor(arr)
    print('t1=', t1)
    print('t2=', t2)
    
>>>
ndarry的数据类型:  float64
t1= tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], device='cuda:0', dtype=torch.float64)
t2= tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], dtype=torch.float64)

‘cuda:0’: 0是因为本地只有1个GPU

1.2 torch.from_numpy()

torch.from_numpy(ndarray)

功能： 从numpy创建tensor

注意事项: 从tensor.from_numpy创建的tensor与原ndarray共享内存， 当修改其中一个的数据，另一个也将被改动

flag = True
if flag:
    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')
    arr[0, 0] = -1
    print('numpy array: ', arr)
    print('tensor: ', t)
    # arr 和 t 的地址不同
    print(id(arr) == id(t))
>>>
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)
False

二、依据数值创建

2.1 torch.zeros()

torch.zeros(*size,
			out=None,
			dtype=None,
			layout=torch.strided,
			device=None,
			requires_grad=False)

功能: 依size创建全0张量
参数:

  • 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(稀疏张量时设置，可以提供效率)等
  • device: 所在设备， gpu/cpu
  • requires_grad: 是否需要梯度
# 通过torch.zeros 创建张量

flag = True
if flag:
    out_t = torch.tensor([1])
    print('out_t: ', out_t)
    # t和out_t是同一个数据， out将torch。zeros生成的张量t赋给了out_t
    t = torch.zeros((3, 3), out=out_t)
    
    print('out_t: ', out_t)
    print('t: ', t)
    print('id(out_t): ', id(out_t))
    print('id(t): ', id(t))
    print(id(out_t) == id(t))
>>>
out_t:  tensor([1])
out_t:  tensor([[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]])
t:  tensor([[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]])
id(out_t):  2227084130560
id(t):  2227084130560
True

2.2 torch.zeros_like()

torch.zeros_like(input, 
				dtype=None,
				layout=None,
				device=None,
				requires_grad=False)

功能: 依input形状创建全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

2.3 torch.ones()

torch.ones(*size,
			out=Noen,
			dtype=None, 
			layout=torch,strided,
			device=None,
			requires_grad=False)

2.4 torch.ones_like()

torch.ones_like(input,
				dtype=None, 
				layout=None,
				device=None, 
				require_grad=False)

功能: 依input形状创建全1张量
参数

  • size: 张量的形状, 如(3, 3), (3, 224, 224)
  • input: 创建与input同形状的全1张量
  • dtype: 数据类型
  • layout: 内存中的布局形式
  • requires_grad: 是否需要梯度

2.5 torch.full()

torch.full(size,
			fill_value,
			out=Noen,
			dtype=None, 
			layout=torch,strided,
			device=None,
			requires_grad=False)

功能: 依input创建全fill_valu的值
参数

  • size：张量的形状, 如（3, 3）
  • fill_value: 张量的值
flag = True
if flag:
    t = torch.full((3, 3), 5)
    print(t)
>>>
tensor([[5., 5., 5.],
        [5., 5., 5.],
        [5., 5., 5.]])

2.6 torch.full_like()

2.7 torch.arange()

torch.arange(start=0,
			end,
			step=1,
			out=None,
			dtype=None, 
			layout=torch.strided,
			device=None,
			requires_grad=False)

功能: 创建等差的1维张量
注意事项: 数值区间为[start, end）
参数:

  • start: 数列起始值
  • end: 数列结束值， 取不到
  • step: 数列公差， 默认为1
flag = True
if flag:
    # 创建一个偶数列
    t = torch.arange(0, 10, 2)
    print(t)
>>>
tensor([0, 2, 4, 6, 8])

2.8 torch.linspace()

torch.linspace(start, 
				end,
				steps=100,
				out=None,
				dtype=None, 
				layout=torch.strided,
				device=None,
				requires_grad=False)

功能: 创建均分的1维张量
注意事项: 数值区间是[start, end]
参数:

  • start: 数列起始值
  • end: 数列的结束值
  • steps： 数列长度
flag = True
if flag:
    t = torch.linspace(0, 10, 5)
    print(t)
>>>
tensor([ 0.0000,  2.5000,  5.0000,  7.5000, 10.0000])

2.9 torch.logspace()

torch.logspace(strat,
				end,
				steps=100,
				base=10.0,
				out=None,
				dtype=None,
				layout=torch.strided,
				device=None,
				requires_grad=False)

功能: 创建对数均分的1维张量
注意事项: 长度为steps， 底为base
参数:

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

2.10 torch.eye()

torch.eye(n,
		m=None,
		out=None,
		dtype=None,
		layout=torch.strided,
		device=None,
		requires_grad=False)

功能: 创建单位对角矩阵（2维张量）
注意事项: 默认方阵
参数:

  • n: 矩阵行数
  • m: 矩阵列数

三、依概率分布创建张量

3.1 torch.normal()

torch.normal(mean,
			std,
			out=None)
			
torch.normal(mean,
			std,
			size,
			out=None)

功能：生成正态分布
参数：

  • mean: 均值
  • std: 标准差
    四种模式:
  • mean是标量， std是标量 (没能运行成功，可能版本问题)
  • mean是标量， std是张量
  • mean是张量， std是标量
  • mean是张量， std是张量
flag = True
if flag:
    # mean: 张量； std: 张量
    mean = torch.arange(1, 5, dtype=torch.float)
    std = torch.arange(1, 5, dtype=torch.float)
    t_normal1 = torch.normal(mean, std)
    print('mean:{}\nstd:{}'.format(mean, std))
    print(t_normal1)
    
    # mean： 张量， std： 标量
    t_normal2 = torch.normal(mean, 1)
    print(t_normal2)
    
    # mean： 标量， std： 张量
    t_normal2 = torch.normal(0., std)
    print(t_normal2)
>>>
mean:tensor([1., 2., 3., 4.])
std:tensor([1., 2., 3., 4.])
tensor([1.5164, 0.7705, 9.4894, 0.7906])
tensor([0.6021, 1.2874, 2.5276, 3.1236])
tensor([-1.2483, -1.6057,  3.2328, -0.6405])

3.2 torch.randn()

torch.randn(*size,
			out=Noen,
			dtype=None, 
			layout=torch,strided,
			device=None,
			requires_grad=False)

功能: 生成标准正态分布
参数:

  • size: 张量的形状

3.3 torch.randn_like()

3.4 torch.rand()

torch.rand(*size,
			out=Noen,
			dtype=None, 
			layout=torch,strided,
			device=None,
			requires_grad=False)

功能: 再区间[0, 1)上，生成均匀分布

3.5 torch.rand_like()

3.6 torch.randint()

torch.randint(low=0,
			high,
			size,
			out=Noen,
			dtype=None, 
			layout=torch,strided,
			device=None,
			requires_grad=False)

功能: 区间[low, high)上生成整数均匀分布
参数:

  • size: 张量的形状

3.8 torch.randperm()

torch.randperm(n,
			out=Noen,
			dtype=None, 
			layout=torch,strided,
			device=None,
			requires_grad=False)

功能: 生成从0到n-1的随机排列
参数:

  • n: 张量的长度

3.9 torch.bernoulli()

torch.bernoulli(input,
				*,
				generator=None,
				out=None)

功能: 以input为概率，生成伯努利分布(0-1分布， 两点分布)
参数:

  • input: 概率值
美式半糖不加奶
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
PyTorch 创建Tensor
路途遥远，初心难忘，道阻且长，愿君走出半生，归来仍是少年
04-05 255
import from numpy,从numpy引入。 a = np.array([2,3.3]) torch.from_numpy(a) a = np.ones([2,3]) torch.from_numpy(a) print(a) 注意：小写的tensor接受的参数是现有的数据，大写的Tensor接受的数据的维度，大写也可以接受现有数据，必须以list形式表示出。 import fr...
PyTorch入门(一）：Tensors
m0_51118916的博客
05-17 5743
本文是PyTorch入门教程的第一篇，详细解释了Tensors的操作
pytorch稀疏张量模块torch.sparse详解
zeeq的博客
02-26 1万+
  torch.sparse是一个专门处理稀疏张量的模块。通常，张量会按一定的顺序连续地进行存取。但是，对于一个存在很多空值的稀疏张量来说，顺序存储的效率显得较为低下。因此，pytorch推出了稀疏张量的处理模块。在这里，有意义的值被称为specified elements，而无意义的值（空值，通常为0，但是也可以是其他值）则被称为fill value。只有足够稀疏的张量使用这种方式进行存储才能获得更高的效率。    Sparse COO tensors 1 Coordinate format   这种格式
torch.from_numpy() 函数《torch学习篇》
猛男的博客
10-08 7545
引言：其实函数torch.from_numpy(ndarray)的作用就是将生成的数组（数组是一般理解，标准应该称为array）转换为 张量Tensor，此函数在数字图像处理中应用广泛，尤其是在训练图像数据集时候会经常看到。 1.一起来看个例子吧！ 代码： data1 = numpy.array([12,56,9,6]) print('data1的数据类型为：',type(data1)) print('data1的值为：',(data1)) data2= torch.from_numpy(d.
torch.from_numpy()
weixin_36670529的博客
04-01 2万+
简单说一下，就是torch.from_numpy()方法把数组转换成张量，且二者共享内存，对张量进行修改比如重新赋值，那么原始数组也会相应发生改变。 Example: >>> a = numpy.array([1, 2, 3]) >>> t = torch.from_numpy(a) >>> t tensor([ 1, 2, 3]) >>> t[0] = -1 >>> a array([-1, 2, 3]) .
pytorch笔记：torch.sparse类
qq_40206371的博客
10-10 9751
1 构造稀疏矩阵 import torch i = torch.LongTensor([[0, 1, 1],[2, 0, 2]]) #row, col v = torch.FloatTensor([3, 4, 5]) #data torch.sparse.FloatTensor(i, v, torch.Size([2,3])).to_dense() #torch.Size ''' tensor([[0., 0., 3.], [4., 0., 5.]]) ''' 构造方法和
torch.from_numpy()用法
weixin_47156261的博客
05-09 2万+
torch.from_numpy()用来将数组array转换为张量Tensor a=np.array([1,2,3,4]) print(a) #[1 2 3 4] print(torch.from_numpy(a)) #tensor([1, 2, 3, 4], dtype=torch.int32)
PyTorch中Tensor的维度变换实现
09-18
在PyTorch中，Tensor是核心数据结构，用于表示多维数组，广泛应用于深度学习模型的构建和训练。维度变换是处理和操作Tensor时的重要环节，因为它允许我们以不同的方式组织和操纵数据，以适应各种计算需求。以下将...
PyTorch中Tensor的数据统计示例
09-17
今天小编就为大家分享一篇PyTorch中Tensor的数据统计示例，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
对Pytorch中Tensor的各种池化操作解析
09-18
在PyTorch中，Tensor是核心数据结构之一，用于存储和处理数值数据。池化操作是深度学习模型中常见的组成部分，特别是在卷积神经网络（CNN）中，它用于降低特征图的尺寸，提取主要特征并减少计算量。本文将详细解析...
torchsparse：用于点云处理的高性能神经网络库
02-23
火炬稀疏 消息 2020/09/20：我们发布了torchsparse v1.1，该版本明显快于我们的torchsparse v1.0，并且在运行MinkUNet18C时，其速度比 v0.5 alpha快1.9倍！ 2020/08/30：我们发布了torchsparse v1.0。 概述 我们发布了torchsparse ，这是一个用于高效3D稀疏卷积的高性能计算库。 该库旨在加速3D稀疏计算，尤其是稀疏卷积运算。 该库的主要优点是我们支持GPU上的所有计算，尤其是内核映射构造（这是在最新的 V0.4.3中的CPU上完成的）。 安装 您可以运行以下命令来安装torchsparse。 pip install --upgrade git+https://github.com/mit-han-lab/torchsparse.git 请注意，该库取决于Google的。 为了安装该库，您可以
pytorch中tensor的合并与截取方法
09-20
今天小编就为大家分享一篇pytorch中tensor的合并与截取方法，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
torch.from_numpy
最新发布
Recursions的博客
01-08 1385
是 PyTorch 中的一个函数，用于将 NumPy 数组转换为 PyTorch 的 Tensor。这个函数主要用于共享底层数据内存，而不进行数据的复制。的输入应该是一个 NumPy 数组。如果输入是一个 Python 列表，需要先将列表转换为 NumPy 数组，然后再使用。这个函数在处理大型数据集时很有用，因为它避免了不必要的数据复制，提高了效率。将是一个 PyTorch Tensor，与。共享底层的数据内存。
深度学习中张量的通俗理解及张量的创建
comli_cn的博客
02-24 2960
1.深度学习中张量的作用 深度学习中张量主要是为了便于用数字来描述一个对象，比方说要描述一张彩色图片，我们可以用(长，宽，颜色)来描述，所以描述一张彩色图片就需要用到三维张量，如果我们要描述一个彩色图片的集合那么就要就需要用(图片序号，长，宽，颜色)来描述，所以描述一个彩色图片的集合就需要用到四维张量。 2.深度学习中张量的表达形式 0维张量：[1] 0维张量就是一个标量，说白了就是一个数字。 ...
torch.from_numpy()函数（pytorch版）
xinxin的博客
09-11 1379
【代码】torch.from_numpy()函数（pytorch版）
PyTorch | torch.from_numpy使用方法 | torch.from_numpy如何使用？torch.from_numpy()例子 | 通过torch.from_numpy创建张量
中科院AI算法工程师的博客
01-14 1万+
通过例子来学习
torch.from_numpy(ndarray) 功能及举例
热门推荐
Jeff zhao
09-15 3万+
功能：torch.from_numpy(ndarray)→ Tensor，即从numpy.ndarray创建一个张量。 说明：返回的张量和ndarray共享同一内存。对张量的修改将反映在ndarray中，反之亦然。返回的张量是不能调整大小的。 举例： >>> import torch >>> import numpy as np >>> a = np.array([1, 2, 3]) >>> t = torch.fr..
torch.sparse稀疏矩阵
andy dennis的博客
02-11 3698
前言 这几天接触图神经网络，会发现有些图的边相对结点比较少，那么邻接矩阵很多元素都为0， 显然，我们可以优化存储策略，以节省内存和加快运算。本文udating… 例子 import torch # 邻接矩阵 adj_dense = torch.tensor([[2, 0], [0, 3]]) # 下标 [0, 0], [1, 1] indices = torch.tensor([[0, 1], [0, 1]]) values = torch.tensor
pytorch学习笔记
weixin_38527856的博客
08-15 350
1、基本数据类型 import torch from torch.autograd import Variable import numpy as np import time #一基本数据类型，IntTensor，FloatTensor与python中的int，float对应，对应的array与Tensor的size对应 ''' #CPU版本,下边生成的是维度为1的矩阵，而非标量数据 a=...
pytorch中TENSOR VIEWS介绍
05-26
2. 使用Tensor的narrow方法创建一个窄Tensor，它与原始Tensor共享内存，但是只包含原始Tensor中的一个子集。 3. 使用Tensor的select方法创建一个select Tensor，它与原始Tensor共享内存，但是只包含原始Tensor中的...

“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
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