Pytorch基础

最新推荐文章于 2022-11-04 19:44:43 发布

m0_54554114

最新推荐文章于 2022-11-04 19:44:43 发布

阅读量160

点赞数

分类专栏：深度学习笔记文章标签：线性代数机器学习深度学习

本文链接：https://blog.csdn.net/m0_54554114/article/details/120668908

版权

本文介绍了PyTorch的基本使用，包括如何定义数据和进行操作。PyTorch提供GPU加速的张量计算和基于反向自动求导的深度神经网络框架。张量是PyTorch中的核心概念，从0维到2维的张量被详细解释，并强调了计算标量积时数据类型的要求。

摘要由CSDN通过智能技术生成

PyTorch是一个python库，它主要提供了两个高级功能：

GPU加速的张量计算
构建在反向自动求导系统上的深度神经网络

1. 定义数据

一般定义数据使用torch.Tensor ， tensor的意思是张量，是数字各种形式的总称

简单理解张量：

0维张量：标量（一个数）
1维张量：向量（一维数组）
2维张量：矩阵（二维数组）
浅谈什么是张量

import torch
# 可以是一个数
x = torch.tensor(666)
print(x)

#可以是一组一维向量
x=torch.tensor([1,2,3,4,5,6])
print(x)

# 可以是二维数组（矩阵）
# 2*3 全1矩阵
x = torch.ones(2,3)
print(x)

# 可以是任意维度的数组（张量）
x = torch.ones(2,3,4)
print(x)

# 创建一个空张量
x = torch.empty(5,3)
print(x)

# 创建一个随机初始化的张量
x = torch.rand(5,3)
print(x)

# 创建一个全0的张量，里面的数据类型为 long
x = torch.zeros(5,3,dtype=torch.long)
print(x)

# 基于现有的tensor，创建一个新tensor，
# 从而可以利用原有的tensor的dtype，