Pytorch的使用-简洁明了（一）

最新推荐文章于 2024-08-01 20:49:22 发布

喵喵队摆大烂

最新推荐文章于 2024-08-01 20:49:22 发布

阅读量1.9k

点赞数 26

文章标签： pytorch python 深度学习

本文链接：https://blog.csdn.net/m0_46561911/article/details/129700733

版权

本文介绍了PyTorch中张量的创建，包括从标量、numpy数组和列表创建，以及线性、随机张量的生成。还详细讲解了张量的计算，如基本运算、阿达玛积、点积，并讨论了张量在CPU和GPU之间的设备转换。此外，文章涵盖了张量类型的转换，如张量与numpy数组之间的互换，以及张量的拼接和索引操作，包括布尔索引和多维索引。

摘要由CSDN通过智能技术生成

1.torch.cat函数可以将两个张良根据指定的维度拼接起来

2.torch.stack函数可以将两个张量根据指定的维度叠加起来

五、张量索引操作

1.简单行、列索引

2.布尔索引、多维索引

一、张量的操作

1. 创建方式

1.torch.tensor 根据指定数据创建张量

def test01():
    #1 使用标量
    data = torch.tensor(10)
    print(data)
    #2numpy数组
    data = np.random.randn(2,3)
    data = torch.tensor(data)
    print(data)
    #3 list列表
    data = [[10.,20.,30.,],[40.,50.,60.]]
    data = torch.tensor(data)
    print(data)


tensor(10)
tensor([[ 0.5863,  0.6107, -0.1272],
        [ 0.8330, -1.2949, -0.2462]], dtype=torch.float64)
tensor([[10., 20., 30.],
        [40., 50., 60.]])

2.torch.Tensor 根据形状创建张量，也可以用来创建指定数据的张量

#创建指定形状张量
def test02():
    #2.1 创建2行3列的张量
    data = torch.Tensor(2,3)
    print(data)
    #2.2 创建指定值的张量
    data = torch.Tensor([2,3])
    print(data)


tensor([[0., 0., 0.],
        [0., 0., 0.]])
tensor([2., 3.])

3.torch.IntTensor、torch.FloatTensor、torch.DoubleTensor创建指定类型的张量

2.创建线性和随机张量

1.torch.arange 和torch.linspace创建线性张量

def test01():
    # 1.1 创建指定步长的张量
    # 第一参数：开始值
    # 第二参数：结束值
    # 第三参数：步长
    data = torch.arange(0,10,2)
    print(data)
    #2.2 在指定区间指定元素个数
    data = torch.linspace(0,11,10)
    print(data)


tensor([0, 2, 4, 6, 8])
tensor([ 0.0000,  1.2222,  2.4444,  3.6667,  4.8889,  6.1111,  7.3333,  8.5556,
         9.7778, 11.0000])

2.torch.random.init_seed和torch.manaual_seed随机种子设置

3.torch.randn创建随机张量

#创建随机张量
def test02():
    # 固定随机数种子
    torch.random.manual_seed(0)

    #2.1 创建随即张量
    data = torch.randn(2,3)
    print(data)

    print('随机数种子',torch.random.initial_seed())


tensor([[ 1.5410, -0.2934, -2.1788],
        [ 0.5684, -1.0845, -1.3986]])
随机数种子 0

3.创建01张量

1.torch.ones和torch.ones_like 创建全1张量

2.torch.zeros和torch.zeros_like创建全0张量

3.torch.full和torch.full_like创建全为指定值张量

    #1.1创建全为0的张量
    data = torch.zeros(2,3)
    print(data)
    #1.2根据其他张量的形状创建全0张量
    data = torch.zeros_like(data)
    print(data)
    #2.创建全为1的张量
    data = torch.ones(2,3)
    print(data)
    #2.2根据其他张量的形状创建全0张量
    data = torch.ones_like(data)
    print(data)
    #2.创建全为指定值的张量
    data = torch.full([2,3],9)
    print(data)
    #创建一个形状和data一样，但是值全为200的张量
    data = torch.full([2,3],200)
    print(data)


tensor([[0., 0., 0.],
        [0., 0., 0.]])
tensor([[0., 0., 0.],
        [0., 0., 0.]])
tensor([[1., 1., 1.],
        [1., 1., 1.]])
tensor([[1., 1., 1.],
        [1., 1., 1.]])
tensor([[9, 9, 9],
        [9, 9, 9]])
tensor([[200, 200, 200],
        [200, 200, 200]])

4.张量元素类型转换

1.tensor.type(torch.DoubleTensor)

2.torch.double()

    data = torch.full((2,3),8)
    print(data.dtype)

    #返回一个新的值
    data = data.type(torch.DoubleTensor)
    print(data.dtype)
    #返回一个新的张量
    data = data.int()
    print(data.dtype)


torch.int64
torch.float64
torch.int32

二、张量的计算

1.张量的基本运算

add、sub、mul、div、neg 不该原数据

add_、sub_、mul_、div_、neg_ 修改原数据

    data = torch.randint(0,10,(2,3))
    print(data)
    data = data.add(10)
    print(data)

    # data.sub() 减法
    # data.mul() 乘法
    # data.div() 除法
    # data.neg() 取反

2、阿达玛积

矩阵对应位置的元素相乘

    data1 = torch.tensor([[1,2],[3,4]])
    data2 = torch.tensor([[5,6],[7,8]])
    data = data1.mul(data2)
    print(data)

    data3 = data1 * data2
    print(data3)


tensor([[ 5, 12],
        [21, 32]])
tensor([[ 5, 12],
        [21, 32]])

3.点积运算

矩阵n*m 和矩阵m*p 点积计算得到矩阵n*p

1.运算符@用于进行两个矩阵的点乘运算

2.torch.mm用于两个矩阵点乘运算，要求输入矩阵为2维

3.torch.bmm用于批量进行矩阵点乘运算，要求属于矩阵为3维

4.torch.matmul对矩阵进行点乘运算

对于输入都是二维相当于mm
对于输入都是三位相当于bmm
对输入的shape不同的张量，对应的最后几个维度必须符合矩阵运算规则

4.指定运算设备

PyTorch会默认将张量创建在CPU的内存中。想要把张量移动到GPU上

1.使用cuda方法

2.直接在GPU上创建张量，

3使用to方法指定设备

    data = torch.tensor([10,20,30])
    print("存储设备：",data.device)
    data = data.cuda()
    print("存储设备：", data.device)

    data = torch.tensor([10,20,30],device='cuda:0')
    print("存储设备：", data.device)
    data = torch.tensor([10,20,30])
    print("存储设备：",data.device)
    data = data.to('cuda:0')
    print("存储设备：",data.device)


存储设备： cpu
存储设备： cuda:0
存储设备： cuda:0
存储设备： cpu
存储设备： cuda:0