1 导入pytorch包
import torch
2 创建张量(tensor)
scalar标量
scalar = torch.tensor(7)
scalar
tensor(7)
scalar.ndim
查看scalar的维度,因为scalar是标量,所以维度为0
0
scalar.shape
torch.Size([])
torch.item()
7
vector(向量)
vector = torch.tensor([7,7])
vector
tensor([7, 7])
vetor.ndim
1
vector.shape
torch.Size([2])
MATRIX 矩阵
MATRIX = torch.tensor([[1,2],[3,4]])
MATRIX
tensor([[1, 2],
[3, 4]])
同样,用ndim
看维度,shape
看形状,这里想重点讲一下我对tensor形状的理解
先搞一个tensor出来好吧
Tensor
TENSOR = torch.tensor([[[[1, 2, 3],[4, 5, 6],[7, 8, 9]]]])
TENSOR
tensor([[[[1, 2, 3],
[4, 5, 6],
[7, 8, 9]]]])
TENSOR.ndim
4
TENSOR.shape
torch.Size([1, 1, 3, 3])
这是我的理解,也不知道对不对,可以多搞两个例子试一试
这里主要讲创建tensor(张量),因为pytorch里面的基本数据就是张量,现实生活中的音频、图片、视频都可以变成张量,因此我们需要搞清楚张量哟~输入到网络中的数据都是张量
3 创建随机张量
random_tensor = torch.rand(size=(3,4)
random_tensor
tensor([[0.4875, 0.9833, 0.7744, 0.4002],
[0.2102, 0.4866, 0.9648, 0.3243],
[0.1394, 0.5789, 0.5765, 0.3988]])
4 创建全为0的张量
zeros = torch.zeros(size=(3,3))
zeros
tensor([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
5 创建全为1的张量
ones = torch.tensor(size=(3,3))
ones
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])
ones.dtype
torch里面的数据类型,一般就是float32
torch.float32
6 创建range和tensor like
one_to_ten = torch.arange(1,11)
one_to_ten
tensor([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
one_to_tens = torch.arange(start=10, end=22, step=2)
one_to_tens
tensor([10, 12, 14, 16, 18, 20])
tensor like意思是创建一个类似于某一个tensor的tensor,举个例子,我们创建一个全为0的,和one_to_tens
规模一致的张量,维度,形状一致
m = torch.zeros_like(input=one_to_tens)
m
tensor([0, 0, 0, 0, 0, 0])
同理,也有全为1的。如下所示:
r1 = torch.rand(size=(10,3))
p = torch.ones_like(input=r1)
p
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])
好好好,今天就短暂的学习这些吧,如果我的学习对你有帮助的话,记得给俺点个赞赞!
赞赞!!!
谢谢你,今天晚上吃的麻辣烫味道还可以,汤的味道还可以,不过食材嘛(你懂的),不过有一个优点就可以啦,知足常乐咯咯咯~
over over over!