![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
pytorch深度学习
文章平均质量分 51
算法程序员&mlh
这个作者很懒,什么都没留下…
展开
-
pytorch框架实现线性回归
### pytorch框架实现线性回归**基础知识:__call__(),魔术方法的使用。**```python#__call___(): 使得类对象具有类似函数的功能。class A(): def __call__(self): print('i can be called like a function')a = A()a() #结果:i can be called like a function```原创 2022-03-07 11:13:44 · 440 阅读 · 0 评论 -
pytorch框架实现反向传播
### 反向传播(back propagation)使用pytorch框架不需要自己去手动求导,框架中自带求导的工具,我们可以通过反向传播将梯度往回传播。通常有二个过程,forward和backward。原创 2022-03-06 19:00:15 · 1733 阅读 · 0 评论 -
pytorch中张量的维度变换,torch.squeeze()、torch.unsqueeze()函数
### 张量维度变换通过.reshape方法,能够灵活调整张量的形状。而在实际操作张量进行计算时,往往需要另外进行降维和升维的操作,当我们需要除去不必要的维度时,可以使用squeeze函数,而需要手动升维时,则可采用unsqueeze函数。#### 1.torch.squeeze()函数:删除不必要的维度,==提出了shape返回结果中的1==原创 2022-03-01 21:26:09 · 2347 阅读 · 0 评论 -
pytorch中张量的合并操作.cat()、.stack()方法
### 张量的合并操作张量的合并操作类似与列表的追加元素,可以拼接、也可以堆叠。#### 1.拼接方法:.cat()PyTorch中,可以使用.cat()方法实现张量的拼接,==不改变张量形状,并且返回结果是原张量的视图==。**(1).cat()方法的使用,第一个参数和第二个参数:为目标张量,第三个参数:0表示行数增加,1表示列数增加,注意观察张量形状**原创 2022-03-01 20:46:41 · 8709 阅读 · 0 评论 -
pytorch中张量的分块.chunk()方法和拆分.split()方法
### 张量的分块和拆分方法#### 1.分块:.chunk()方法.chunk()方法能够按照某维度,对张量进行均匀切分,并且返回结果是原张量的视图。**(1).chunk()函数的使用,第一个参数:目标张量,第二个参数:等分的块数,第三个参数:按照的维度**原创 2022-02-28 22:59:25 · 7262 阅读 · 0 评论 -
pytorch中张量.view()方法
### pytorch中张量的.view()方法在正式介绍张量的切分方法之前,需要首先介绍PyTorch中的**.view()方法**。该方法会返回一个类似视图的结果,该结果和原张量对象**共享一块数据存储空间**,并且通过.view()方法,还可以改变对象结构,生成一个不同结构,但共享一个存储空间的张量。当然,共享一个存储空间,也就代表二者是“浅拷贝”的关系,**修改其中一个的数值,另一个张量对应的数值也会同步进行更改**。原创 2022-02-28 22:07:32 · 1075 阅读 · 0 评论 -
pytorch中张量的函数索引,torch.index_select()函数
### 张量的函数索引在PyTorch中,我们还可以**使用torch.index_select()函数**,通过指定index来对张量进行索引。**(1)torch.index_select()函数的使用**原创 2022-02-27 21:22:45 · 1176 阅读 · 0 评论 -
pytorch中的一维、二维、三维张量的符号索引
## 张量的索引、分片、合并以及维度调整张量作为有序的序列,也是具备数值索引的功能,并且基本的索引方法和Python原生的列表、numpy中的数组基本一致。也有不同的,其是**pytorch中还定义了一种采用函数来进行索引的方式**。而作为PyTorch中基本数据类型,**张量即具备了列表、数组的基本功能**,同时还充当着向量、矩阵、甚至是数据框等重要数据结构,因此PyTorch中也设置了非常完备的**张量合并与变换的操作**。原创 2022-02-27 20:59:20 · 4536 阅读 · 0 评论 -
pytorch中张量、数组、列表类型之间的转化方法
### 张量和其他相关类型之间的转化 张量、数组、列表是较为相似的三种类型对象,会涉及到三种对象的相互转化。在张量创建的过程中,torch.tensor()函数可以将数组或列表转化为张量,同样也可以将张量转化为数组或列表。 前面介绍了0维张量的概念,此处将进一步给出零维张量和数值对象的转化方法。原创 2022-02-27 18:07:10 · 9980 阅读 · 2 评论 -
pytorch中特殊张量的创建(全零、单位、对角、正态分布、随机采样、arange数列等张量)
### 特殊张量的创建方法**全零、单位、对角、正态分布、随机采样、arange数列等张量** 创建一些特殊取值的张量,用于模拟特殊取值的矩阵,如全0矩阵、对角矩阵等(1)**torch.zeros()方法**,创建全零张量```python(1)#创建全零张量torch.zeros([2, 3])结果为:tensor([[0., 0., 0.], [0., 0., 0.]])```由于zeros就已经确定了张量元素的取值,因此该函数传入的参数实际上是决定了张量的形状。原创 2022-02-27 14:53:08 · 5095 阅读 · 0 评论 -
pytorch中张量的4中维度和形状变化
张量的维度和形变张量作为一组数的结构化表示,也同样拥有维度的概念。简便理解:向量就是一维的数组,而矩阵是二维的数组,以此类推,在张量中我们还可以定义更高维度的数组。张量的高维数组和numpy中高维array概念类似。1、创建高维张量1.1 用简单序列创建一维数组#用简单序列创建一维数组t1 = torch.tensor([1, 2])结果为:tensor([1, 2])#使用ndim属性查看张量的维度t1.ndim结果为:1#使用shape查看张量的形状t1.shape结果为:tor原创 2022-02-26 22:45:00 · 2483 阅读 · 0 评论 -
pytorch中张量的创建和张量中数据类型的转化
1、张量(Tensor)函数的创建方法张量的最基本的创建方法和Numpy中创建Array的格式是一致的,都是创建函数(序列)的格式,张量的创建函数:torch.tensor()t1 = torch.tensor([1, 2]) 通过列表来创建张量t2= torch.tensor((1, 2)) 通过元组来创建张量t3 = np.array([1, 2]) 通过numpy库中array函数来创建数组t = torch.tensor(t3) 通过上面创建的数组来创建张量张量的返回类型:torch.t原创 2022-02-26 17:26:37 · 3163 阅读 · 0 评论