pytorch中tensor变量变为numpy的数组变量并保存为excel.csv文件，进行可视化

最新推荐文章于 2024-06-26 08:54:17 发布
最新推荐文章于 2024-06-26 08:54:17 发布
阅读量5.8k 收藏 7
点赞数
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/qq_41375318/article/details/106069163
版权

pytorch中tensor变量变为numpy的数组变量并保存为excel.csv文件，进行可视化

import torch
import numpy as np

a = torch.ones(5)
print(a)

b = a.numpy()
print(b)

np.savetxt("test.csv",b)
# np.savetxt("score.csv",scores,delimiter=",",header="英语,数学",comments="",fmt="%d")
# 英语 数学之间的符号应该和delimiter符号一致
# help(np.savetxt)
*Major*
关注
pytorch 实现tensor与numpy数组转换
09-18
在PyTorch中，Tensor和NumPy数组都是可以进行高效的计算和转换的。 ### Tensor转NumPy数组 从PyTorch的Tensor转换为NumPy数组十分方便。只要调用Tensor的`.numpy()`方法即可。请看以下示例代码： ```python ...
pytorch打印网络层梯度，保存结果到excel
Hello Word!
04-28 1109
def save_excel(netName, dataDict,colNames=None,): # pf = pd.DataFrame(list(dataDict)) # order = list[dataDict.keys()] # pf = pf[order] # pf.rename(columns=order, inplace=True) # file_path = pd.ExcelWriter('compdata.xlsx') # pf.fill.
python数据如何保存到excel中
热门推荐
junli_chen的博客
12-15 3万+
第一步：下载xlwt 首先要下载xlwt，（前提是你已经安装好了Python） 下载地址：  https://pypi.python.org/pypi/xlwt/ 点击进去，找到下图内容 下载第二个 第二步：安装xlwt 打开cmd，切换目录到你下载的文件地址 输入python setup.py install，就安装成功了
PyTorch实战：Excel数据集到Tensor转换与鸢尾花分类BP神经网络
最新发布
fengbeely的博客
06-26 354
第一版本可以看第二版本与1.0不一样的地方是使用了Dataset进行预处理数据，使用起来更加方便，同时使用了SummaryWriter保存准确率数据。其中SummaryWriter使用方法看，同时增加了独热编码方法：我将以鸢尾花数据集作为例子进行展示：可以看到鸢尾花数据集有四个特征，分别是0，1,2，3，label是鸢尾花种类，共三种，分别以0,1，2表示。
pytorch中的tensor以numpy形式进行输出保存
天山懒人
01-05 7097
pytorch中的tensor以numpy形式进行输出保存 因为tensor和numpy不是一种数据类型，所以，在将数据输出保存之前，需要将tensor的数据类型进行转换，否则会报一下的错误 TypeError: can't convert cuda:0 device type tensor to numpy. Use Tensor.cpu() to copy the tensor to host memory first. 以下先贴一版没修改之前的代码，也就是会报error的。 # a是我需要保存的数据
把tensor张量保存为excel表格形式
QT-Smile
02-24 3635
把tensor张量保存为excel表格形式 代码： import torch import numpy as np a = torch.ones(5) print(a) b = a.numpy() print(b) np.savetxt("F:/Graduate students grade three/postgraduate studies/first year of postgraduate study/Transformer/test.csv",b) 结果： ...
pytorch 保存、读取 tensor 和 numpy数据
flyingluohaipeng的博客
12-27 3915
【代码】pytorch 保存、读取 tensor 和 numpy数据。
Pytorch教程（十八）tensor的保存为csv，并加载
vincent_duan的专栏
11-19 1万+
保存 有一个tensor数据需要保存，这时训练好的一个节点embedding： 我们需要把结果保存下来： 刚开始使用的是： np.savetxt('./obj/model.csv',model.encode().numpy(),fmt='%.2f',delimiter=',') 但是运行报错： 提示说要使用tensor.detach().numpy() detach()方法的作用是从计算图中脱离出来。返回一个新的tensor，新的tensor和原来的tensor共享数据内存，但不涉及梯度计算，即req
pytorch将tensor转为numpy用于图像绘制
weixin_43793510的博客
03-04 4282
目标: 将tensor(图像形式)转为numpy，然后绘制图像 1. 形如torch.Size([1, 3, 480, 856]) # B x C x H x W 分析: 这种形状的tensor一般是要输出的某种图像或者即将转化为要输出的某种特征图 绘制方法: 首先压缩tensor的维度 tensor = tensor.squeeze(0) # torch.Size([3, 480, 856]) 然后转换tensor维度的顺序 tensor = tensor.permute(1, 2, 0)
【PyTorch学习（二）】Tensor与Numpy数组的相互转换
sun的博客
06-02 8288
Tensor与Numpy数组之间的相互转换
Python将 张量tensor/列表list/numpy array/字典dict 保存到本地
hxxjxw的博客
06-25 1万+
x = torch.rand(4,5) torch.save(x, "myTensor.pt") y = torch.load("myTensor.pt") print(y)
pytorch实现Tensor变量之间的转换
09-17
1. Tensor转numpy：`data.numpy()`将PyTorch Tensor转换为numpy数组，可以在Python环境中进行处理。 2. numpy转Tensor：`torch.from_numpy(data)`将numpy数组转换为PyTorch Tensor。转换后的Tensor与numpy数组共享...
Pytorch之Tensor和Numpy之间的转换的实现方法
09-16
当我们需要对数据进行统计分析、可视化或计算时，通常会将其转换为NumPy数组。 2. **计算效率**：PyTorch的Tensor支持GPU运算，这对于大规模的并行计算非常高效。在模型训练过程中，我们通常会在GPU上运行Tensor运算...
将pytorch中的三维tensor另存为csv文件
anshiquanshu的专栏
04-14 1428
#!/usr/bin/env python3 import torch.nn as nn import torch.nn.functional import numpy as np i #此案例来源于：https://pytorch.org/docs/master/nn.html#torch.nn.LSTM rnn = nn.LSTM(input_size=10,hidden_size=20,num_layers=2)#输入向量维数10, 隐藏元维度20, 2个LSTM层串联(若不写则默认为1） in.
Torch7 将Tensor写入csv文件
zhangboshen的博客
06-29 6021
可能是Torch7使用的人比较少，今天尝试在torch7中将tensor写入csv文件中居然查了一上午。。WTF。。 这里简单介绍一下我查到的几种方法，希望能够帮助到有同样需求的人，也欢迎各种补充。 方法一：直接写入 require 'torch' matrix = torch.Tensor(5,3) -- a 5x3 matrix matrix:random(1,10) -- matr...
保存tensor到csv中
abc1831939662的博客
03-23 4801
1 首先将GPU上的tensor复制一封到cpu上： save_occ=occ_mask.data.cpu() 2 再将高纬度tensor转换到2维度的tensor, save_occ=occ_mask.data.cpu() with open("1.csv","ab") as f: # for i in range(occ_mask.shape[1]): # one_layer=occ_mask[1,:,:] np.savetxt(f,save_occ[0.
python读写excel
Ken的博客
05-25 630
Excel： 创建excel文件并写入数据： import xlwt # 创建一个Workbook，设置编码为utf-8，默认编码为ascii wb = xlwt.Workbook(encoding = 'utf-8') # 创建一个worksheet，表名为'test1' ws = wb.add_sheet('test1') # 写入excel数据，参数为行row，列col，值value ws.write(0, 0, 30) ws.write(1, 1, 31) ws.write(2, 2, 32) #
Pytorch 提取权重等参数 写入Excel
vivavivaa的博客
05-31 1452
Pytorch网络模型参数提取
深度学习中的数据操作（一） 数据操作 基于pytorch实现
m0_50292871的博客
02-23 694
1.1 数据操作 1.1.1 入门操作 首先，我们要理解什么是**tensor**，如何创建tensor，如何查询tensor的各种属性，同时tensor又可以做什么事情。 tensor译为张量，在数学意义上，这是一个n维数组，也可以理解为矩阵。 """ import torch #创建一个tensor --即为张量 x = torch.arange(12) #这是创建一个有12个元素的tensor，从0开始到11（按序） print(x) #查询tensor的形状 print(
PyTorch搭建LSTM模型，输入csv数据，划分训练集和测试集，实现多变量时间序列预测并且将预测结果可视化
03-31
首先，需要导入PyTorch和其他必要的库： ```python import torch import torch.nn as nn import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.preprocessing import MinMaxScaler ``` 接着，读入csv数据并进行归一化处理： ```python data = pd.read_csv('data.csv', index_col=0) scaler = MinMaxScaler() data = scaler.fit_transform(data) ``` 然后，定义划分训练集和测试集的函数： ```python def train_test_split(data, test_ratio=0.2): test_size = int(len(data) * test_ratio) train_size = len(data) - test_size train_data = data[:train_size] test_data = data[train_size:] return train_data, test_data ``` 接着，定义LSTM模型： ```python class LSTM(nn.Module): def __init__(self, input_size, hidden_size, output_size): super(LSTM, self).__init__() self.hidden_size = hidden_size self.lstm = nn.LSTM(input_size, hidden_size) self.linear = nn.Linear(hidden_size, output_size) def forward(self, input): lstm_out, _ = self.lstm(input.view(len(input), 1, -1)) prediction = self.linear(lstm_out.view(len(input), -1)) return prediction[-1] ``` 接着，定义训练函数： ```python def train(model, train_data, optimizer, criterion, num_epochs): for epoch in range(num_epochs): for i in range(len(train_data) - 1): x = train_data[i:i+1,:-1] y = train_data[i+1:i+2,-1] optimizer.zero_grad() output = model(torch.tensor(x).float()) loss = criterion(output, torch.tensor(y).float()) loss.backward() optimizer.step() if epoch % 10 == 0: print('Epoch: {}, Loss: {:.5f}'.format(epoch, loss.item())) ``` 接着，定义测试函数： ```python def test(model, test_data): predictions = [] for i in range(len(test_data) - 1): x = test_data[i:i+1,:-1] output = model(torch.tensor(x).float()) predictions.append(output.item()) return predictions ``` 最后，将预测结果可视化： ```python def plot_predictions(predictions, test_data): test_y = test_data[1:,-1] plt.plot(test_y, label='True Data') plt.plot(predictions, label='Predictions') plt.legend() plt.show() ``` 完整代码如下： ```python import torch import torch.nn as nn import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.preprocessing import MinMaxScaler data = pd.read_csv('data.csv', index_col=0) scaler = MinMaxScaler() data = scaler.fit_transform(data) def train_test_split(data, test_ratio=0.2): test_size = int(len(data) * test_ratio) train_size = len(data) - test_size train_data = data[:train_size] test_data = data[train_size:] return train_data, test_data train_data, test_data = train_test_split(data) class LSTM(nn.Module): def __init__(self, input_size, hidden_size, output_size): super(LSTM, self).__init__() self.hidden_size = hidden_size self.lstm = nn.LSTM(input_size, hidden_size) self.linear = nn.Linear(hidden_size, output_size) def forward(self, input): lstm_out, _ = self.lstm(input.view(len(input), 1, -1)) prediction = self.linear(lstm_out.view(len(input), -1)) return prediction[-1] model = LSTM(input_size=3, hidden_size=64, output_size=1) optimizer = torch.optim.Adam(model.parameters(), lr=0.01) criterion = nn.MSELoss() num_epochs = 100 train(model, train_data, optimizer, criterion, num_epochs) predictions = test(model, test_data) plot_predictions(predictions, test_data) ```
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