深度学习：03 PyTorch的数据类型Tensor

已于 2022-12-31 20:06:01 修改
阅读量1.8k 收藏 16
点赞数 7
分类专栏： 深度学习杂文 Pytorch学习及实战 # 优质教程 文章标签： 深度学习 python numpy
于 2022-12-27 16:03:20 首次发布
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/m0_62919535/article/details/128447189
版权

目录

PyTorch的数据类型：Tensor

函数查找

一、Tensor的创建

二、Tensor的运算

三、Tensor的操作

四、NumPy 转换

一、Tensor的创建

二、Tensor的运算

2.1 张量元素比较

2.2 基本运算

2.2.1 逐元素加减乘除

2.2.2 幂运算

2.2.3 指数对数运算

2.2.4 平方根及其倒数

2.2.5 数据的裁剪

 2.2.6 矩阵的运算

2.3 统计相关计算

2.4 其他的一些函数

三、Tensor的操作

（1）改变张量的形状

torch.reshape()

 torch.resize_()

torch.unsqueeze()和torch.squeeze()

（2）获取张量中的元素

切片索引法

获取A中大于5的元素 

筛选条件

上三角、下三角及对角线元素

（3）拼接与拆分

四、NumPy 转换

Torch Tensor转化为Numpy

Numpy转化为Torch Tensor

PyTorch的数据类型：Tensor

Tensor，即张量，它是PyTorch中基本的操作对象，简单的理解就是多维矩阵。Tensors与Numpy中的 ndarrays类似，但是在PyTorch中 Tensors 可以使用GPU进行计算。

函数查找

每个章节涉及的函数已经归纳在下方，可以随时查找用法。

一、Tensor的创建

torch.Tensor()torch.DoubleTensor()
torch.FloatTensor()torch.IntTensor()
torch.zeros()torch.ones()
torch.eye()torch.randn()
torch.empty()torch.randperm()
torch.**_like()
        torch.ones_like()
        torch.zeros_like()
        torch.rand_like()  		torch.range()
torch.full()

二、Tensor的运算

2.1 张量元素比较

torch.allclose()torch.eq()
torch.equal()torch.ge()
torch.gt()torch.le()
torch.lt()torch.ne()
torch.isnan()

2.2 基本运算

torch.pow()torch.exp()
torch.log()torch.sqrt()
torch.rsqrt()torch.clamp_max()
torch.clamp_min()torch.clamp()
torch.linspace()torch.matmul()
torch.t()torch.inverse()

2.3 统计相关计算

torch.max()torch.argmax()
torch.min()torch.argmin()
torch.mean()torch.sum()
torch.cumsum()torch.median()
torch.std()torch.cumprod()
torch.sort()torch.topk()
torch.kthvalue()

2.4 其他的一些函数

torch.abs()torch,div()
torch.add()torch.mm()
torch.mv()

三、Tensor的操作

（1）改变张量的形状

 torch.reshape()A.resize_()
torch.squeeze()torch.unsqueeze()

（2）获取张量中的元素

torch.where()torch.tril()
torch.triu()torch.diag()

 （3）拼接与拆分

torch.cat()torch.stack()
torch.chunk()torch.split()

四、NumPy 转换

torch.from_numpy()torch.numpy()

一、Tensor的创建

#创建指定大小
torch.Tensor(3.2,2.4)
#指定类型
torch.DoubleTensor(3,2)
torch.FloatTensor([2,3,4,5])
torch.IntTensor(2,2)
#列表生成
torch.Tensor([1,2],[2,3])
#0矩阵
torch.zeros(3,2)
#1矩阵
torch.ones(3,2)
#对角1矩阵
torch.eye(2,2)
#创建一个未被初始化数值的张量
torch.empty(2,2)
#随机张量
torch.randn(2,2)
#随机排列张量
torch.randperm(5)
#生成与D同样大小和类型的张量
torch.**_like(D)
    #比如：
        torch.ones_like(D)
        torch.zeros_like(D)
        torch.rand_like(D)  
        #——与torch.randn一样生成的是标准正态分布的随机张量
#生成某一范围的张量
torch.range(1,20,2)
    #起始——终止——步长
#0.25全填充
torch.full((3,3),fill_value=0.25)

二、Tensor的运算

2.1 张量元素比较

#比较两个元素是否接近
torch.allclose()
#逐元素比较是否相等
torch.eq()
#判断两个张量是否具有相同的形状和元素
torch.equal()
#逐元素比较大于等于
torch.ge()
#逐元素比较大于
torch.gt()
#逐元素比较小于等于
torch.le()
#逐元素比较小于
torch.lt()
#逐元素比较不等于
torch.ne()
#判断是否为缺失值
torch.isnan()

在这里，只需要知道就可以了，如果有需要的时候可以翻书和查函数手册。

2.2 基本运算

张量的基本运算方式，一种是逐元素之间的运算，如加减乘除、幂运算、平方根、对数、数据裁剪等；另一种为矩阵之间的运算，如矩阵相乘、矩阵的转置、矩阵的迹等。

2.2.1 逐元素加减乘除

import torch
A=torch.arange(6.0).reshape(2,3)
B=torch.linspace(10,20,steps=6).reshape(2,3)

print("A:",A)
print("B:",B)
C=A+B
print("逐元素相加：",C)
D=A-B
print("逐元素相减：",D)
E=A*B
print("逐元素相乘：",E)
F=B//A
print("逐元素整除：",F)

A: tensor([[0., 1., 2.],
        [3., 4., 5.]])
B: tensor([[10., 12., 14.],
        [16., 18., 20.]])
逐元素相加： tensor([[10., 13., 16.],
                [19., 22., 25.]])
逐元素相减： tensor([[-10., -11., -12.],
                [-13., -14., -15.]])
逐元素相乘： tensor([[  0.,  12.,  28.],
                [ 48.,  72., 100.]])
逐元素整除： tensor([[inf, 12.,  7.],
                [ 5.,  4.,  4.]])

2.2.2 幂运算

计算张量的幂可以使用torch.pow()，或者**运算

print(torch.pow(A,3))
print(A**3)
tensor([[  0.,   1.,   8.],
        [ 27.,  64., 125.]])
tensor([[  0.,   1.,   8.],
        [ 27.,  64., 125.]])

2.2.3 指数对数运算

#计算张量的指数
torch.exp(A)

#计算张量的对数
torch.log(A)
tensor([[  1.0000,   2.7183,   7.3891],
        [ 20.0855,  54.5981, 148.4132]])
tensor([[  -inf, 0.0000, 0.6931],
        [1.0986, 1.3863, 1.6094]])

2.2.4 平方根及其倒数

#计算张量的平方根
print(torch.sqrt(A))
print(A**0.5)
#计算张量的平方根倒数
print(torch.rsqrt(A))
print(1 / (A**0.5))
tensor([[0.0000, 1.0000, 1.4142],
        [1.7321, 2.0000, 2.2361]])
tensor([[0.0000, 1.0000, 1.4142],
        [1.7321, 2.0000, 2.2361]])
tensor([[   inf, 1.0000, 0.7071],
        [0.5774, 0.5000, 0.4472]])
tensor([[   inf, 1.0000, 0.7071],
        [0.5774, 0.5000, 0.4472]])

2.2.5 数据的裁剪

#根据最大值裁剪
print(torch.clamp_max(A,4))
#根据最小值裁剪
print(torch.clamp_min(A,3))
#根据范围裁剪
print(torch.clamp(A,2.5,4))
tensor([[0., 1., 2.],
        [3., 4., 4.]])
tensor([[3., 3., 3.],
        [3., 4., 5.]])
tensor([[2.5000, 2.5000, 2.5000],
        [3.0000, 4.0000, 4.0000]])

 2.2.6 矩阵的运算

#矩阵的转置
C=torch.t(A)
print("矩阵的转置",C)
#矩阵相乘，A的行数要等于C的列数
print("矩阵相乘",A.matmul(C))
矩阵的转置 tensor([[0., 3.],
        [1., 4.],
        [2., 5.]])
矩阵相乘 tensor([[ 5., 14.],
        [14., 50.]])

 若A x B = I，I为单位矩阵，则可称A和B互为逆矩阵；一个方阵中，对角线元素的和称为矩阵的迹。

C=torch.rand(3,3)
#矩阵的逆
D=torch.inverse(C)
print("C:",C,"\n","D:",D)
#矩阵的迹
torch.trace(torch.arange(9.0).reshape(3,3))
C: tensor([[0.9020, 0.8445, 0.5127],
        [0.4689, 0.5106, 0.8877],
        [0.7195, 0.3104, 0.5277]]) 
 D: tensor([[-0.0288, -1.3566,  2.3101],
        [ 1.8526,  0.5072, -2.6532],
        [-1.0505,  1.5515,  0.3060]])

tensor(12.)

2.3 统计相关计算

#计算张量中的最大值
torch.max()
#计算张量中的最大值位置
torch.argmax()
#计算张量中的最小值
torch.min()
#计算张量中的最小值位置
torch.argmin()
  1. torch.mean()       #指定维度计算平均值
  2. torch.sum()         #指定维度求和
  3. torch.cumsum()  #指定维度进行累加和
  4. torch.median()    #指定维度求中位数
  5. torch.cumprod()  #指定维度计算累乘积
  6. torch.std()           #张量标准差 
#张量排序，分别输出从小到大，与原来对应索引位
A=torch.tensor([12,34,25,11,67,32,29,30,99,55,23,44])
torch.sort(A)
torch.return_types.sort(
values=tensor([11, 12, 23, 25, 29, 30, 32, 34, 44, 55, 67, 99]),
indices=tensor([ 3,  0, 10,  2,  6,  7,  5,  1, 11,  9,  4,  8]))
#降序排列
torch.sort(A,descending=True)
torch.return_types.sort(
values=tensor([99, 67, 55, 44, 34, 32, 30, 29, 25, 23, 12, 11]),
indices=tensor([ 8,  4,  9, 11,  1,  5,  7,  6,  2, 10,  0,  3]))
#获取张量前几个大的数值以及索引
torch.topk(A,4)
torch.return_types.topk(
values=tensor([99, 67, 55, 44]),
indices=tensor([ 8,  4,  9, 11]))
#获取张量第k小的数值和位置
torch.kthvalue(A,3)
torch.return_types.kthvalue(
values=tensor(23),
indices=tensor(10))

2.4 其他的一些函数

  • torch.abs:返回输入参数的绝对值
  • torch.add:用于返回张量与张量或张量与标量的和的Tensor
  • torch,div:返回输入参数求商的结果，可以是Tensor与Tensor，Tensor与标量
  • torch.mm:矩阵的相乘
  • torch.mv:返回输入参数的求积结果作为输出，按照矩阵与向量之间的乘法规则，第一个参数为矩阵，第二个参数为向量，不能颠倒

三、Tensor的操作

（1）改变张量的形状

torch.reshape()

A=torch.arange(12).reshape(3,4)

tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]])

对于已经生成的可以采用下面的方式

torch.reshape(input=A,shape=(2,-1))

 torch.resize_()

A.resize_(2,6)
tensor([[ 0,  1,  2,  3,  4,  5],
        [ 6,  7,  8,  9, 10, 11]])

还提供了A.resize_as_(B)，可以将A的形状设置为与B相同的形状大小。

torch.unsqueeze()和torch.squeeze()

  • torch.unsqueeze()函数在指定维度插入尺寸为1的新张量
  • torch.squeeze()函数移除所有维度为1的维度
A=torch.arange(12).reshape(2,6)
B=torch.unsqueeze(A,dim=0)
print("B.shape",B.shape)
C=B.unsqueeze(dim=3)
print("C.shape",C.shape)
D=torch.squeeze(C)
print("D.shape",D.shape)
#移除指定维度为1的维度
E=torch.squeeze(C,dim=0)
print("E.shape",E.shape)
B.shape torch.Size([1, 2, 6])
C.shape torch.Size([1, 2, 6, 1])
D.shape torch.Size([2, 6])
E.shape torch.Size([2, 6, 1])

（2）获取张量中的元素

切片索引法

import torch
A=torch.arange(12).reshape(1,3,4)
print(A)
print("0维度",A[0])
print("获取0维度下的矩阵前两行元素\n",A[0,0:2,:])
print("获取0维度下最后一行的-4至-1列\n",A[0,-1,-4:-1])
tensor([[[ 0,  1,  2,  3],
         [ 4,  5,  6,  7],
         [ 8,  9, 10, 11]]])
0维度 tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]])
获取0维度下的矩阵前两行元素
 tensor([[0, 1, 2, 3],
        [4, 5, 6, 7]])
获取0维度下最后一行的-4至-1列
 tensor([ 8,  9, 10])

获取A中大于5的元素 

A[A>5]
tensor([ 6,  7,  8,  9, 10, 11])

筛选条件

B=-A
torch.where(A>5,A,B) #当A>5时为True，返回A的值，否则会返回B的值
tensor([[[ 0, -1, -2, -3],
         [-4, -5,  6,  7],
         [ 8,  9, 10, 11]]])

上三角、下三角及对角线元素

#获取矩阵下三角
print(torch.tril(A,diagonal=0))
#diagonal控制要考虑的对角线
print(torch.tril(A,diagonal=-1))
#获取上三角
print(torch.triu(A,diagonal=0))
#获取对角线元素
C=A.reshape(3,4)
print(torch.diag(C,diagonal=0))
print(torch.diag(C,diagonal=-1))
tensor([[[ 0,  0,  0,  0],
         [ 4,  5,  0,  0],
         [ 8,  9, 10,  0]]])
tensor([[[0, 0, 0, 0],
         [4, 0, 0, 0],
         [8, 9, 0, 0]]])
tensor([[[ 0,  1,  2,  3],
         [ 0,  5,  6,  7],
         [ 0,  0, 10, 11]]])
tensor([ 0,  5, 10])
tensor([4, 9])

（3）拼接与拆分

A=torch.arange(6.0).reshape(2,3)
B=torch.linspace(0,10,6).reshape(2,3)
#在0维度连接张量
C=torch.cat((A,B),dim=0)
C
tensor([[ 0.,  1.,  2.],
        [ 3.,  4.,  5.],
        [ 0.,  2.,  4.],
        [ 6.,  8., 10.]])
  • torch.stack()，可以将多个张量按照指定的维度进行拼接
  • torch.chunk()，可以将张量分割为特定数量的块
  • torch.split()，将张量分割为特定数量的块，可以指定每个块的大小

四、NumPy 转换

将一个Torch Tensor转化为Numpy数组是一件轻松的事，反之亦然。

Torch Tensor与Numpy数组共享底层内存地址，修改一个会导致另一个的变化。

Torch Tensor转化为Numpy

a=torch.ones(5)
print(a)
b=a.numpy()
print("ndarray",b)
tensor([1., 1., 1., 1., 1.])
ndarray [1. 1. 1. 1. 1.]

Numpy转化为Torch Tensor

a=numpy.ones(5)
b=torch.from_numpy(a)
print("n:",a)
print("t:",b)

n: [1. 1. 1. 1. 1.]

t: tensor([1., 1., 1., 1., 1.], dtype=torch.float64)

夏天是冰红茶
关注
  • 7
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 4
    评论
专栏目录
pytorch数据类型
hyzhyzhyz12345的博客
05-25 383
tensor和Tensor tensor接收的是数据，注意是【2.， 3.2】，这样数据类型是torch.float 也可以指定类型 torch.Tensor（）和torch.FloatTensor（）一样，可以接收数据，默认为torch.float，可以通过torch.set_default_tensor_type(torch.DoubleTensor)修改 也可以接收数据形状，随机初始化数据，注意这里没有【】 torch.FloatTensor（）的创建 通常建议torch.tensor([
边做边学深度强化学习：PyTorch程序设计实践 迷宫 Sarsa
09-02
边做边学深度强化学习：PyTorch程序设计实践 迷宫 Sarsa
Python深度学习基于Pytorch深度学习.pdf
12-26
机器视觉-深度学习
打印完整的pytorch 输出tensor
t20134297的博客
03-08 577
【代码】打印完整的pytorch 输出tensor。
边做边学深度强化学习：PyTorch程序设计实践 迷宫 Q-Learning
09-02
边做边学深度强化学习：PyTorch程序设计实践 迷宫 Q-Learning
使用PyTorch进行深度学习：使用PyTorch解密神经网络
02-04
通过PyTorch应用深度学习 机器学习正Swift成为解决数据问题的首选方法，这归功于种类繁多的数学算法可以找到模式，而这些模式对于我们而言是不可见的。 通过PyTorch进行的应用深度学习使您对深度学习，其算法及其应用有了更高的了解。 本课程首先帮助您浏览深度学习和PyTorch的基础知识。 一旦您精通PyTorch语法并能够构建单层神经网络，您将通过配置和训练卷积神经网络（CNN）进行图像分类，逐步学习解决更复杂的数据问题。 在阅读本章的过程中，您将发现如何通过实现递归神经网络（RNN）解决NLP问题。 在本课程结束时，您将能够应用在学习过程中积累的技能和信心，使用PyTorch来构
Pytorch张量的数学运算：向量基础运算
最新发布
m0_63997099的博客
04-07 998
举例来说，如果你有一个256×256×3的数组（比如一张256x256像素的彩色图像，3表示颜色通道）和一个3的数组（表示每个颜色通道的缩放因子），那么这个小维度数组的形状会在最左边补1直到两个数组的维数相同，即小数组的形状会被视为1 ×1 × 3。这些运算包括但不限于加法、减法、乘法、除法、内积、外积、张量积、索引、切片以及各种变换等。继续上面的例子，1 ×1 × 3的数组在前两个维度上大小为1，会被扩展为与另一个数组在这些维度上的大小相同，即扩展为256×256×3。但利用广播，这个操作可以自动完成。
pytorch常见的Tensor类型详解
12-23
Tensor有不同的数据类型，每种类型分别有对应CPU和GPU版本（HalfTensor除外）。默认的Tensor是FloatTensor，可通过torch.set_default_tensor_type修改默认tensor类型（如果默认类型为GPU tensor，则所有操作都将在GPU上进行）。 Tensor的类型对分析内存占用很有帮助，例如，一个size为(1000,1000,1000)的FloatTensor，它有1000*1000*1000=10^9个元素，每一个元素占用32bit/8=4Byte内存，所以共占用大约4GB内存/显存。HalfTensor是专为GPU版本设计的，同样的元
PyTorch 1.0 中文文档：数据类型信息
weixin_30640769的博客
02-03 243
译者：冯宝宝 可以通过torch.finfo 或 torch.iinfo访问torch.dtype的数字属性。 torch.finfo class torch.finfo torch.finfo 是一个用来表示浮点torch.dtype的数字属性的对象（即torch.float32，torch.float64和torch.float16）。 这类似于 numpy.finfo。 torch.fi...
Pytorch——pytorch的基本数据类型
橙子的博客
04-11 1780
1、python与pytorch的区别 对pytorch来说怎么处理python中的string类型： pytorh没有控件来处理string类型，在pytorch中用数字编码来替代。 第一，采用One-hot的形式来表示，[0,1,0,...] 第二，采用Embedding的形式来表示,常用的编码器Word2vec和glove。 2、pytorch的数据类型 3、数据类型的判断 a=torch.randn(2,3) #这是一个二维的tensor，随机初始化两行三列 print(a.
NLP：基于Pytorch和torchtext深度学习框架.zip
04-21
基于Pytorch和torchtext深度学习框架，很基础的自然语言处理框架 基于Pytorch和torchtext的自然语言处理深度学习框架，包含序列标注、文本分类、句子关系、文本生成、结构分析、五大功能模块，已实现了命名实体识别...
nn.PairwiseDistance 和 torch.cdist 和 MSELoss 计算距离
月亮不知道的博客
06-29 1665
使用nn.PairwiseDistance 和 torch.cdist 和 MSELoss 计算距离
PyTorch张量运算
诸神缄默不语的博客
02-27 1111
本文介绍PyTorch张量运算
torch.cat()、 torch.add()、torch.subtract()、torch.subtract()和torch.div()函数详解和示例
不定时分享，互相学习，共同进步
11-12 1993
本文通过原理和示例对torch.cat()、 torch.add()、torch.subtract()、torch.subtract()、torch.div()和torch.linalg.solve() 函数进行详解，以帮助大家理解和使用。
torch小记-常用张量操作
qq_40140808的博客
07-12 44
这些代码示例演示了一些常用的张量计算操作，希望能帮助你更好地理解和应用PyTorch中的张量运算。
Pytorch中的张量数据类型（Tensor）
hanmo22357的博客
03-14 4757
数学中有标量、向量和矩阵的概念，它们的维度分别是0、1、2。也就是说，标量中元素的位置固定，向量中元素的位置需要通过其索引确定，矩阵中的元素位置需要通过其行号和列号确定。张量可以视为矩阵的扩展，可以用于表示无穷维度的数据。张量（Tensor）是Pytorch库中的基本数据类型，Pytorch中各种基本数字类型都有其对应的Tensor类型，但是在Pytorch中没有内嵌的字符串类型。
PyTorch基本数据类型
Temmie1024的博客
05-14 1219
PyTorch是没有string类型的，需要使用编码的方式来表达字符串。 下图也可以看到数据部署到CPU与GPU的类型描述是不同的。 type(a)查看a的类型 isinstance(a,torch.FloatTensor),判断a是否为torch.FloatTensor类型，是返回True data=data.cuda()可以将数据部署位置变更为GPU 标量 dim=0 标量一般用在网络的最终输出，计算损失函数值 生成维度为0的数据 a=torch.tensor(值)#生成标量数据并赋给a a.sha
【Pytorch基础(1)】pytorch的基本数据类型：张量
lingchen1906的博客
11-19 1937
PyTorch 于 2016 年首次推出。在 PyTorch 之前，深度学习框架通常专注于速度或可用性，但不能同时关注两者。PyTorch将这两者相结合，提供了一种命令式和 Python编程风格，支持将代码作为模型，使调试变得容易，支持 GPU 等硬件加速器。PyTorch 是一个 Python 库，它通过自动微分和 GPU 加速执行动态张量计算。它的大部分核心都是用 C++ 编写的，这也是 PyTorch 与其他框架相比可以实现低得多的开销的主要原因之一。
pytorch 怎么把tensor类型转化为图片
06-28
### 回答1： 在使用PyTorch进行机器学习或深度学习的过程中，将Tensor类型转化为图片是常见且必要的一步。PyTorch提供了很多方法将Tensor类型转化为图片，以下是其中的两种方法： 方法一：使用PIL库 通过PIL库将Tensor类型转化为图片是一种简单且高效的方法。以下是具体的实现步骤： 1. 首先，需要将Tensor类型转化为numpy数组。 2. 然后，将numpy数组转化为PIL图像。 3. 最后，将PIL图像保存为图片或者显示出来。 以下是代码示例： import torch from PIL import Image # 将Tensor类型转化为numpy数组 tensor = torch.randn(3, 256, 256) numpy_array = tensor.numpy() # 将numpy数组转化为PIL图像 image = Image.fromarray(numpy_array) # 保存图像 image.save('test.png') # 显示图像 image.show() 方法二：使用matplotlib库 matplotlib是一个常用的数据可视化库，其中包含了将Tensor类型转化为图片的方法。以下是具体的实现步骤： 1. 首先，需要将Tensor类型转化为numpy数组。 2. 然后，使用matplotlib的imshow函数将numpy数组显示为图像。 3. 最后，使用show函数显示出来。 以下是代码示例： import torch import matplotlib.pyplot as plt # 将Tensor类型转化为numpy数组 tensor = torch.randn(3, 256, 256) numpy_array = tensor.numpy() # 显示图像 plt.imshow(numpy_array) plt.show() 总结： 以上就是将Tensor类型转化为图片的两种方法。这些方法也可以用于将Tensor类型的数据可视化。在实际应用中，可以根据具体的情况选择合适的方法。 ### 回答2： PyTorch是一个流行的开源深度学习框架，用户可以将张量（tensor）类型的数据输入到神经网络模型中进行训练并进行预测。在有些情况下，我们可能需要将张量数据转化为图片的形式进行可视化。 在PyTorch中，将张量类型转化为图片需要使用到PIL库，因此需要先安装PIL库。 一般而言，将张量转换为图片的步骤如下： 1.首先，我们需要有一个张量，该张量的形状应该为(N, C, H, W)。其中，N表示图片的数量，C表示图片的通道数（例如：灰度图像为1通道，RGB图像为3通道），H和W表示图片的高度和宽度。 2.接下来，我们需要将张量中的数值范围规范化到0到255之间，方便后续处理。如果张量的最大值和最小值不在0到255之间，我们可以使用torch.clamp()函数将张量数值限制在0到255之间。 3.外部PIL库需要将张量转换为图片格式的数字数组。因此，我们需要使用torch.Tensor.permute()函数将张量尺寸重新排列。如果使用的是彩色图像，则张量的尺寸应该为(N, H, W, C)。如果使用的是灰度图像，则张量的尺寸应该为(N, H, W)。 4.现在，我们可以使用PIL库中的Image.fromarray()函数将调整后的张量数据转化为图片。如果使用的是彩色图像，则需要设置参数mode='RGB'。如果使用的是灰度图像，则需要设置参数mode='L'。 5.最后，我们可以调用图片对象的save()函数将图片保存到本地文件中，或者调用show()函数在程序中显示转换后的图片。 下面是一个示例代码，将张量转换为图片并保存到本地： ``` import torch from PIL import Image # 定义一个4张，3通道，高为128，宽为128的随机张量 t = torch.randn(4, 3, 128, 128) # 将张量数值范围规范化到0~255之间 t = torch.clamp(t * 255, 0, 255) # 将张量尺寸重新排列，将通道数C放到最后一维 t = t.permute(0, 2, 3, 1) # 将张量转换为图片对象 img = Image.fromarray(t[0].cpu().numpy().astype('uint8'), mode='RGB') # 保存图片到本地 img.save('tensor_to_image.jpg') ``` 在上述示例代码中，我们首先定义一个随机纯色张量t，该张量的大小为(4, 3, 128, 128)，即有4张128x128像素的三通道彩色图像。接下来，我们使用torch.clamp()函数将张量中的数字限制在0~255之间，再将张量尺寸重新排列，将通道数放到最后的维度。接着，我们使用PIL库中的Image.fromarray()函数将张量转换为图片对象img，该图片对象可以使用save()函数保存到本地文件，或者使用show()函数在程序中进行查看。 总之，将张量类型转化为图片的主要步骤是将张量尺寸重新排列，并使用PIL库将调整后的张量数据转换为图片格式的数字数组。这样便可以转换为可以呈现的图像。 ### 回答3： 在 PyTorch 中，将 Tensor 转化为图片主要分为两种情况：将 Tensor 保存为图片文件和在代码中将 Tensor 可视化为图片。以下分别介绍这两种情况的具体实现方法： 一、将 Tensor 保存为图片文件 1. 使用 PIL 库将 Tensor 转化为图片 首先需要导入 PIL 库： ``` from PIL import Image ``` 然后，将 Tensor 转化为 PIL 图片对象： ``` tensor_image = torch.tensor(image_data) # image_data 为 Tensor 格式的数据 pil_image = Image.fromarray(tensor_image.numpy()) ``` 最后将保存为图片： ``` pil_image.save("image.png") ``` 2. 使用 OpenCV 库将 Tensor 转化为图片 首先需要导入 OpenCV 库： ``` import cv2 ``` 然后，将 Tensor 转化为 cv2 图片对象： ``` tensor_image = torch.tensor(image_data) # image_data 为 Tensor 格式的数据 cv2_image = cv2.cvtColor(tensor_image.numpy(), cv2.COLOR_RGB2BGR) ``` 最后将保存为图片： ``` cv2.imwrite("image.png", cv2_image) ``` 二、在代码中将 Tensor 可视化为图片 在使用 PyTorch 进行神经网络训练的时候，可以使用一些工具库来可视化训练过程中的结果，例如使用 TensorBoard 或者使用 matplotlib 库可视化。以下是使用 matplotlib 库的方法： 首先需要导入 matplotlib 库： ``` import matplotlib.pyplot as plt ``` 然后，使用以下代码将 Tensor 可视化为图片： ``` plt.imshow(tensor_image.permute(1, 2, 0).cpu().numpy()) # tensor_image 为 Tensor 格式的数据 plt.show() ``` 在这里需要注意的是，如果 Tensor 的通道数为第一维，需要使用 `permute` 函数将通道维度移动到最后一维。如果 Tensor 存储在 GPU 上，需要使用 `cpu()` 函数将 Tensor 转移到 CPU 上后再进行可视化。

“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 4
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

打赏作者

夏天是冰红茶

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