PyTorch学习笔记（4）：张量的操作（1）

最新推荐文章于 2024-01-03 10:50:58 发布
最新推荐文章于 2024-01-03 10:50:58 发布
阅读量1.1k 收藏 10
点赞数 4
分类专栏： Pytorch学习笔记 文章标签： pytorch 深度学习 python
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/npuraymond/article/details/120647874
版权
这篇PyTorch学习笔记详细介绍了张量的显示和操作，包括输出张量的行、列和元素，张量的整合成行向量或多个列向量，以及张量的代数运算如求和与元素运算。通过实例展示了如何在Python中进行这些操作。
摘要由CSDN通过智能技术生成

张量生成之后，还需要对其进行一系列的操作。才能实现我们想要的效果，因此在笔记中记录如下情况：

目录

张量显示

输出第一行向量

输出某一行向量

输出第一列向量

输出最后一列向量

输出向量中元素

张量整合

整合为一个行向量

整合为多个列向量

张量代数运算

张量显示

如果想要输出张量中某一个元素、某一个向量，那么就需要有对应的代码来实现。具体的输出方式是这样的：

输出第一行向量

如果要输出第一行向量，其基本代码是：

print(x[0])

特别注意的是，在PyTorch仍然遵循编程守则，即所有序列均从0开始。即数字0代表向量第1行。

输出某一行向量

如果要输出某一行向量，其基本代码是：

print(x[*, :])

特别要注意的是，对于某一行，那么列一定要用“:"(冒号）代替。

输出第一列向量

如果要输出张量中的第一列向量，其基本代码是：

print(x[:, 0])

输出最后一列向量

如果要输出张量中的最后一列向

最低0.47元/天 解锁文章
npuraymond
关注
  • 4
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
pytorch张量基础补充
tangzhaotz的博客
03-20 771
# 创建tensor import torch import numpy as np # 方式一：import from numpy # a = np.array([2,3.3]) # b = torch.from_numpy(a) # print(b) # tensor([2.0000, 3.3000], dtype=torch.float64) # a = np.ones([2,3]) ...
torch.full 【输出大小为size内容为填充张量为fill_value的张量】
热门推荐
无偿、有效的解释和解决AI 4 Science中的问题和难点
03-25 1万+
>>> torch.full((2, 3), 3.1416) tensor([[ 3.1416, 3.1416, 3.1416], [ 3.1416, 3.1416, 3.1416]])
PyTorch中的张量
from top to bottom
11-25 961
定义张量 将已有数值转换成张量 >>> a = torch.tensor(5) >>> a tensor(5) >>> anp = np.asarray([4]) >>> anp array([4]) >>> a = torch.tensor(anp) >>> a tensor([4]) 根据指定形状、类型生成张量 >>> torch.get_default_dtype
YDOOK：Pytorch教程：tensor 张量切片 局部获取操作
YDOOK
11-27 646
YDOOK：Pytorch教程：tensor 张量切片 局部获取操作 © YDOOK Jinwei Lin, shiye.work import torch import numpy as np tensor = torch.rand((3, 3)) print(type(tensor)) print('tensor = \n', tensor) print() print('tensor 的第0行 = ', tensor[0]) print('tensor 的第1行 = ', tensor[1])
简单易懂掌握 PyTorch 的填充技术：深入理解反射、复制、零值和常数填充
最新发布
CDBmax的博客
01-03 2101
本文详细介绍了 PyTorch 框架中的多个填充类，用于在深度学习模型中处理不同维度的数据。这些填充方法对于保持卷积神经网络中数据的空间维度至关重要，尤其在图像处理、音频信号处理等领域中有广泛应用。每种填充方法都有其特定的应用场景和注意事项，如数据类型一致性、边界效应的考虑等。文章通过具体的代码示例展示了如何在 PyTorch 中使用这些填充类，并解释了它们的工作原理。
PyTorch学习笔记（1）张量
01-06
tensor torch.tensor(data, # 数据 可以使list numpy dtype=None, # 数据类型 默认与data一致 device=None, # 所在设备 cuda / cpu requires_grad=False, # 是否需要梯度 pin_memory = False ,# 是否存于锁页内存) ...
pytorch-notes:pytorch学习笔记
04-29
《PyTorch学习笔记——深度理解与实践》 PyTorch是Facebook的AI研究团队推出的一个开源深度学习框架，以其动态计算图模式和强大的灵活性深受广大开发者喜爱。本笔记主要针对PyTorch的基础概念、核心功能以及实际...
pytorch-code-training:pytorch学习笔记
04-07
《PyTorch学习笔记——深度探索与实践》 PyTorch是Facebook的AI研究团队推出的一个开源深度学习框架，以其易用性、灵活性和高效性受到了广大开发者和研究人员的青睐。本篇笔记将深入探讨PyTorch的核心概念、基本...
使用PyTorch进行深度学习：“使用PyTorch进行深度学习：零到GAN”
02-12
第1单元：PyTorch基础知识-张量和渐变 Jupyter笔记本简介和Python数据科学 在PyTorch中创建向量，矩阵和张量 张量运算和梯度计算 PyTorch与Numpy的互操作性 单元2：线性回归和梯度下降 使用Tensor操作从头开始进行...
pytorch-tutorials：一些用于学习pytorch的笔记本
02-16
PyTorch是一个强大的深度学习框架，由Facebook的AI研究团队开发。它以其灵活性、易用性和高效的计算能力而受到广大开发者和研究人员的喜爱。本教程集合是针对PyTorch的学习资源，...祝你在PyTorch学习之旅中取得成功！
pytorch中的nn.ZeroPad2d()，零填充函数
qq_37937847的博客
04-13 9469
在卷积神经网络中，有使用设置padding的参数，配合卷积步长，可以使得卷积后的特征图尺寸大小不发生改变，那么在手动实现图片或特征图的边界零填充时，常用的函数是nn.ZeroPad2d(),可以指定tensor的四个方向上的填充，比如左边添加1dim、右边添加2dim、上边添加3dim、下边添加4dim，即指定paddin参数为（1，2，3，4），本文中代码设置的是（3，4，5，6）如下： import torch.nn as nn import cv2 import torchvision from to
pytorch 张量基本操作
Lzj000lzj的博客
07-04 2888
张量初始化 构造一个未初始化的张量torch.empty(5,3) 构造一个随机初始化的张量 torch.rand(5,3) 构造一个指定数据类型的全0张量torch.zeros(5,2,dtype=torch.long) 通过以读取的数据构建张量 torch.tensor([5,5,5,5,5]) 借助已有张量的size构造新的张量 y=torch.randn_like(x,dtype=tor...
pytorch中张量切片
tan_1999的博客
06-19 7267
一看到切片就发蒙，，稍微整理一下。 a=torch.rand(4,3,5) 1.a[:2] 取第一维度的前两维 print(a) print(a[:2].size()) print(a[:2]) 2.a[:2,:1] （写法等同于 a[:2,:1,:]） 取第一个维度的前两维，第二个维度的前一维，第三个维度全部取到。 a=torch.rand(4,3,5) print(a) print(a[:2,:1].size()) print(a[:2,:1]) 3.a[:2,:,2:] 取第一维度的前两维，
【Pytorch】系统学习Pytorch（一）——tensor维度理解和取行列值操作
AlexFaker的博客
01-18 1万+
Pytorch最核心的数据类型是tensor（张量），实际上我个人觉得形式上张量就是个高维数组。但是tensor的维度如何理解，比如高维tensor我们取[:,:,:,...:,3]的时候我们取的是那些数？这涉及到对tensor维度的理解。
pytorch的入门操作(2)
m0_53292725的博客
11-27 2521
接上篇 轴交换只能用transpose和permute 千万不能用view（） （8）取值 tensor[1, 3]获取tensor中第一行第三列的值 ​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​如果要取这个18 三维t4[1, 2, 1] 第二块 第三行第二列 如果要取整个第一块 t4[0] 或者t4[0, :, :] （9）赋值 tensor[...
pytorch张量数据索引切片与维度变换操作
Lily的博客
04-25 966
1： 对于图像的处理 a = torch.rand(4,3,2), dim = 3 的张量 a print(a) a的值： tensor([[[0.3627, 0.3944], [0.6897, 0.5150], [0.5451, 0.3039]], [[0.3529, 0.8437], [0.2474, 0.2875]...
YDOOK ：Pytorch 生成 全0 tensor数组 pytorch生成定义全零张量数组
YDOOK
01-09 1万+
YDOOK ：Pytorch 生成 全0 tensor数组 pytorch生成定义全零张量数组 使用 ：torch.zero(shape) 源码展示： import torch a1 = torch.zeros(0) a2 = torch.zeros(1) a3 = torch.zeros(1, 1) a4 = torch.zeros(2, 3) a5 = torch.zeros(2, 3, 5) print('a1 = ', a1) print('a2 = ', a2) print('a3 = ',
Pytorch张量的拆分与拼接
日拱一卒，功不唐捐
07-08 1万+
Pytorch的拆分与拼接 预览 在 PyTorch 中，对张量 (Tensor) 进行拆分通常会用到两个函数： torch.split [按块大小拆分张量] torch.chunk [按块数拆分张量] 而对张量 (Tensor) 进行拼接通常会用到另外两个函数： torch.cat [按已有维度拼接张量] torch.stack [按新维度拼接张量] 1.张量的拆分 torch.split函数 torch.split(tensor, split_size_or_sections, d
PyTorch中矩阵（二维张量）的线性代数运算
qq_44289607的博客
01-28 3139
1 矩阵的形变及特殊矩阵的构造方法 矩阵的形变其实就是二维张量的形变方法，在此基础上本节将补充转置的基本方法。实际线性代数运算过程中，一些特殊矩阵，如单位矩阵、对角矩阵等相关创建方法如下： 注：t1为一个矩阵，则 torch.t(t1) 与 t1.t()等效。 2 矩阵的基本运算 矩阵不同于普通的二维数组，其具备一定的线性代数含义，而这些特殊的性质，其实就主要体现在矩阵的基本运算上。常见的矩阵基...
周宣辰的PyTorch学习笔记：迁移学习与卷积网络
在PyTorch中，`torch`模块则提供了张量（tensor）操作和神经网络构建的功能。全连接层（FC层）在神经网络中起到连接前一层的所有节点到后一层的所有节点的作用，广泛用于分类和回归任务。 周报的下周计划持续聚焦于...
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