01数据操作

一、理解深度学习中的数据结构(数据存储结构)

1、0维的数据是一个数,常用来表示一个类别

在这里插入图片描述

2、1维的数据表示一个特征向量,不同的列代表不同的特征。

在这里插入图片描述

3、2维的数据是一个样本每一行是一个特征向量,不同的列表示不同特征。

在这里插入图片描述

4、3维的数据常用来表示图像,3个维度分别是 宽 x 高 x 通道

5、4维的数据常用来表示批量图像,4个维度分别是 图像数 x 宽 x 高 x 通道

6、5维的数据常用来表示视频数据,5个维度分别是 视频 x 时间 x 宽 x 高 x 通道数

在这里插入图片描述

二、数据操作的实现

在pytorch中,操作的数据对象是tensor(张量)

1、通过shape属性访问张量的形状,通过numel()函数访问张量的元素个数

在这里插入图片描述

2、多个张量的连接

操作对象是2维数据:
在第0维连接:堆叠行,其实是扩充特征向量的数量
在第1维连接:堆叠列,其实是扩充特征向量中的特征数
在这里插入图片描述

操作对象是三维数据:
连接的维度 2,1,0 分别扩充 宽(列)、高(行)、通道

在这里插入图片描述

3、广播机制

简单来说,广播机制使得维度不同的张量能够一起运算,它会在运算前会把张量的维度在逻辑上扩充到相同。举个实例理解广播机制,X是3行1列的张量,Y是1行2列的张量,X+Y运算的过程是:X中每一列都被复制,变成3行2列,Y的每一行都被复制,变成3行2列,最后X和Y相加。

在这里插入图片描述

4、tensor 转换成 numpy

使用X.numpy()函数

在这里插入图片描述

5、tensor 转换成 python标量

法一:使用X.item()函数
法二:使用内置函数,如float(X), int(X)函数
在这里插入图片描述

三、numpy 中ndarray 和 pytorch中 tensor 的区别

ndarray 和 tensor 数据在形式上很相似,但ndarray 仅是在计算机中的一个概念,而tensor 还可以是数学上的概念。

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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