3.2 张量的创建

最新推荐文章于 2022-09-24 16:04:54 发布
最新推荐文章于 2022-09-24 16:04:54 发布
阅读量437 收藏 2
点赞数
分类专栏： 11 Python/DL/ML
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/pengchengliu/article/details/110386488
版权
本文详细介绍了深度学习中基础的张量概念，包括如何在各种深度学习框架下创建张量，以及张量的基本操作如加减乘除、形状变换等，为初学者提供了清晰的入门指南。
摘要由CSDN通过智能技术生成

方式一：直接创建

方式二：固定元素

方式三：数列

方式四：随机函数

一、直接创建

pytorch提供了丰富的张量创建的方法。这里总结为3大类。我们先看一下直接创建方法。

1 torch.tensor()

2 torch.from_numpy(ndarray)

详细介绍如下：

1. torch.tensor(data, dtype = None, device=None, requires_grad=False, pin_memory=False)

torch.tensor()这个方法是将data创建Tensor。

data：data可以是list，也可以是一个numpy的ndarray。除了data这个参数需要设置，还需要四个参数。

dtype： 数据类型。它默认会与data的数据类型一致。比如输入的是ndarray是64整型的话，我们的Tensor也是64位整型。【例1】

device：cuda/cpu。可以设置是在CPU上还是GPU上。

requires_grad：是否需要计算梯度。

pin_memory：是否将Tensor存于锁页内存。通常设置为False就可以。

例1：

结果：

可以看到生产的Tensor的数据类型是float64，是与输入的ndarray的数据类型是一致的。

例2：如果想把Tensor放到GPU上，就可以把device设置为cuda.

 

结果：

可以发现t的结果要等一会才能出来，这是因为数据要从CPU转到GPU，这需要一定的耗时。

2. torch.from_numpy(ndarray)

功能：从numpy的数组来创建Tensor。

在使用的时候，有一个注意事项：

例：

首先根据numpy创建一个数组。然后通过numpy数组创建Tensor。

修改arr的数值，观察Tensor是否发生变化。

结果：

说明，两者共享内存。

同样如果修改了t的值。arr的值也会发生变化：

结果：
最低0.47元/天 解锁文章
/home/liupc
关注
专栏目录
Pytorch张量的创建
qq_41989415的博客
07-21 625
转自：https://blog.csdn.net/qq_19672707/article/details/102973336 张量的创建张量张量的定义Tensor与Variable张量的创建1.直接创建torch.tensor()torch.from_numpy(ndarray)2.依据数值创建torch.zeros()torch.zeros_like()torch.ones()torch.ones_like()torch.full()torch.full_like()torch.arange()torch
张量的创建、属性及运算
zzhe
07-22 312
1. 张量的创建 import numpy as np 标量（0D 张量） x = np.array(1) print(x) print(x.ndim) 1 0 向量（1D 张量） y = np.array([1,2,3]) print(y) print(y.ndim) [1 2 3] 1 矩阵（2D 张量） z = np.array([[1,2,3], [4,5,6], [7,8,9]]) print(z) print...
pytorch模型转onnx
weixin_43922974的博客
05-07 1196
pt转onnx 因为要部署到gpu上，先转了onnx。 Support Matrix torch.onnx onnx上查看转换方法 开始转换 加载pt文件 torchvision支持的model 地址 model = torchvision.models.xxx() model .load_state_dict(torch.load("xxx.pth")) 不支持的，以resnet50为例 model = get_model("resnet50", num_label, use_id=False, n
PyTorch 第一章第二节：张量简介与创建
冰雪棋书的博客
12-09 336
张量是什么？ 标量：0维张量 向量：1维张量 矩阵：2维张量 3维张量 RGB n维张量 张量是一个多维数组，它是标量、向量、矩阵的高维拓展 Tensor 与Variable Variable Variable是torch.autograd中的数据类型，主要用于封装Tensor，进行自动求导 data：被包装的Tensor grad：data的梯度 grad_fn：创建Tensor的Function，是自动求导的关键 requires_grad：指示是否需要梯度 is_leaf：指示是否是叶子结点（张
PyTorch自由创建tensor的多种方法
qq_37119207的博客
03-11 1405
基于已有数据创建tensor from numpy a = np.array([2,3,4]) a = torch.from_numpy(a) print(a) #tensor([2, 3, 4], dtype=torch.int32) a1 = torch.tensor(np.array([[1, 2, 3], [4, 5, 6]])) print(a1) # tensor([[1, 2, 3], [4, 5, 6]], dtype=torch.int32) from list a3 = tor
3.2 张量的操作及运算
liupc的学习笔记
09-12 2663
一、张量的操作：拼接、切分、索引和变换 点击此处返回总目录 二、张量的数学运算 三、线性回归 一、张量的操作：拼接、切分、索引和变换 1. 张量的拼接 张量的拼接有两个方法，cat()和stack()。但是他们的不同是，cat不会扩张张量的维度，而stack()会扩张张量的维度。 1.1 torch.cat(tensors, dim=0, o...
PyTorch学习—2.张量的创建与张量的操作
柳杰的博客
07-14 775
文章目录一、PyTorch安装二、PyTorch的张量Tensor1.Tensor的概念2. Tensor的创建2.1 直接创建2.2 依据数值创建2.3 依概率分布创建3.张量的操作3.1 张量的拼接3.2 张量的切分3.3 张量的索引3.4 张量的变换3.5 张量的数学运算 一、PyTorch安装   https://download.pytorch.org/whl/torch_stable.html下载对应cuda版本或cpu，对应pytorch版本，对应python版本、对应电脑系统的文件，然后在对
pytorch中张量的创建和维度的操作
m0_45827246的博客
12-30 1646
张量的运算是深度学习的基本操作，深度学习框架的重要功能之一就是支持张量的定义与运算。 1. 张量的数据类型 数据 pytorch类型 CPU上的张量 GPU上的张量 32位浮点数 torch.float32torch.float torch.FloatTensor torch.cuda.FloatTensor 64位浮点数 torch.float64torch.double torch.DoubleTensor torch.cuda.DoubleTensor 16位浮点数 torch
pytorch中张量的三种创建方式(有代码实现)
manzubaolong的博客
10-22 891
import torch import numpy as np torch.tensor(data, dtype=None, device=None, requiers_grad=False, pin_memory=False) # 从data创建tensor data:数据，可以是list,numpy dtype:数据类型，默认与data一致 device:所在设备 gpu/cpu requores_grad:是否需要梯度 pin_memory:是否存于锁页内存 torch.from_numpy(n
pytorch改变图片格式顺序
我的博客
07-26 2611
由(3, 224, 224)  转变为(224, 224, 3) 方法1 img = img.data.numpy()                     #先把tensor转变成numpy temp = np.zeros((224, 224, 3)) temp[:, :, 0] = img[0, :, :] temp[:, :, 1] = img[1, :, :] temp[:, :,...
model(torch.from_numpy(x_train).requires_grad_())
yuntian668的博客
09-24 1006
pytorch初学问题汇总
Pytorch入门之张量
Ton的博客
10-02 4338
从今天开始学习pytorch，先翻译下从pytorch官网的教程 第一个概念：张量tensors pytorch下的张量类似于numpy下的数组，并且张量也可用于在GPU上对程序进行加速 创建(5,3)的数据： 数组：numpy.empty([5, 3]) 张量：torch.empty(5, 3) 运行结果： 数组 张量 note：numpy下创建多维数组，参数要是一个列表；torch下只需直接输入数字；同理初始化张量的方式还有ones、zeros。 创建随机数 显然，py
Pytorch基础-对张量的定义、运算和维度操作全解析（1）
qq_40379132的博客
04-29 3711
一、什么是张量tensor? 张量是一种特殊的数据结构，与数组和矩阵非常相似。类似于Numpy 的ndarray。 在 PyTorch 中，我们使用张量对模型的输入和输出以及模型的参数进行编码。 张量都可以通过Numpy来定义、操作，通常存储在Nunpy数组，所以这就需要我们把数据转换为Numpy数组，目的就是把所有的输入数据转变为一个统一的标准，以便能够容易的处理。 张量是根据一共具有多少坐标轴来定义。比如可以把二维张量看作为一个带有行和列的数字网格。这个行和列表示两个坐标轴，一个矩阵就是二维张量，矩
深度学习——在TensorFlow中查看和设定张量的形态
miahhrgbfcyur的博客
12-28 638
参考书籍：《深度学习——基于Python语言和TensorFlow平台》 import tensorflow as tf x = tf.placeholder(dtype=tf.float32) xShape = tf.shape(x) sess = tf.Session() result = sess.run(xShape, feed_dict={x: 8}) print(result)...
深度学习（二）--tensor张量
Kuls
02-09 1386
一、张量的概念 1.在TensorFlow中，所有的数据都通过张量的形式来表示 2.从功能的角度，张量可以简单理解为多维数组 零阶张量表示标量（scalar），也就是一个数； 一阶张量为向量（vector），也就是一维数组； n阶张量可以理解为一个n维数组； 3.张量并没有真正保存数字，它保存的是计算过程 二、张量的属...
Tensorflow中张量的定义与创建
热门推荐
a1786742005的博客
12-10 1万+
一、张量的定义 Tensor即为张量，它是Tensorflow中最基础的数据结构，可理解为n维数组或矩阵，一般将零维的张量称为标量或者常数，一维的张量可理解为向量，二维张量可理解为矩阵，三维则是三维数组。 二、张量的创建 Tensorflow提供 constant 这个函数: constant(value, dtype=None, shape=None, name="Const", verify_...
深度学习基础：1.张量的基本操作
兴趣使然的创作者
09-29 3657
本篇文章 张量（Tensor）的基本含义 张量，可以简单的理解为多维数组，是二维向量在更高的维度的延申。 用到的库和框架 import torch import numpy as np 张量的创建torch.tensor() 通过列表创建张量 # 通过列表创建张量 t = torch.tensor([1, 2]) t tensor([1, 2]) 通过元组创建张量 # 通过元组创建张量 torch.tensor((1, 2)) tensor([1, 2]) 将numpy创建的数组转换成张量 .
Numpy库及ndarrary基础知识
ChanCherry的博客
11-25 1400
Numpy简介 Numpy是一个开源的Python科学计算基础库。 一个强大的N维数组对象 ndarray 广播功能函数 整合C/C++/Fortran代码的工具 线性代数、傅里叶变换、随机数生成等功能 Numpy是SciPy、Pandas等数据处理或科学计算库的基础。 Numpy的引用： import numpy as np 引用使用别名np，尽管别名可以省略或更改，建议使用上述约定的别名。 N维数组对象：ndarray 例：计算A2+B3，其中，A和B是一维数组 def pySum():
libtorch张量创建
最新发布
04-29
在libtorch中，可以使用以下方式创建张量： 1. 从现有数据创建张量 可以使用 `torch::from_blob()` 函数从现有数据中创建张量。该函数需要传入一个指向数据存储位置的指针，以及张量的形状等信息。 例如，如果有一个大小为(2, 3)的二维数组arr，可以使用以下代码将其转换为张量： ```c++ float arr[2][3] = {{1, 2, 3}, {4, 5, 6}}; auto tensor = torch::from_blob(arr, {2, 3}, torch::kFloat); ``` 2. 创建全0/全1张量 可以使用 `torch::zeros()` 和 `torch::ones()` 函数创建全0/全1张量。 例如，创建一个形状为(3, 4)的全0张量： ```c++ auto tensor = torch::zeros({3, 4}); ``` 3. 创建随机初始化的张量 可以使用 `torch::rand()` 和 `torch::randn()` 函数创建随机初始化的张量。 例如，创建一个形状为(3, 4)的均匀分布随机张量： ```c++ auto tensor = torch::rand({3, 4}); ``` 4. 创建单位矩阵 可以使用 `torch::eye()` 函数创建单位矩阵。 例如，创建一个3x3的单位矩阵： ```c++ auto tensor = torch::eye(3); ``` 以上是常用的张量创建方法，还有其他创建方法，具体可以参考libtorch官方文档。
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