Pytorch中高维度张量理解

已于 2024-08-28 11:21:28 修改
阅读量196 收藏 4
点赞数 1
分类专栏： pytorch 文章标签： pytorch 人工智能 python
于 2024-08-28 11:13:18 首次发布
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_43500065/article/details/141635285
版权

Pytorch中高维度张量理解

创建一个tensor

tensor = torch.rand(3,5,3,2)

结果如下：


```python
tensor([[[[0.3844, 0.9532],
          [0.0787, 0.4187],
          [0.4144, 0.9552]],

         [[0.0713, 0.5281],
          [0.0230, 0.8433],
          [0.1113, 0.5927]],

         [[0.0040, 0.1001],
          [0.3837, 0.6088],
          [0.1752, 0.3184]],

         [[0.2762, 0.8417],
          [0.5438, 0.4406],
          [0.0529, 0.5175]],

         [[0.1038, 0.7948],
          [0.4991, 0.5155],
          [0.4651, 0.8095]]],


        [[[0.0377, 0.0249],
          [0.2440, 0.8501],
          [0.1176, 0.7303]],

         [[0.9979, 0.6738],
          [0.2486, 0.4152],
          [0.5896, 0.8879]],

         [[0.3499, 0.6918],
          [0.4399, 0.5192],
          [0.1783, 0.5962]],

         [[0.3021, 0.4297],
          [0.9558, 0.0046],
          [0.9994, 0.1249]],

         [[0.8348, 0.7249],
          [0.1525, 0.3867],
          [0.8992, 0.6996]]],


        [[[0.5918, 0.9135],
          [0.8205, 0.5719],
          [0.8127, 0.3856]],

         [[0.1870, 0.6190],
          [0.2991, 0.9424],
          [0.5405, 0.4200]],

         [[0.9396, 0.8072],
          [0.0319, 0.6586],
          [0.4849, 0.6193]],

         [[0.5268, 0.2794],
          [0.7877, 0.9502],
          [0.6553, 0.9574]],

         [[0.4079, 0.4648],
          [0.6375, 0.8829],
          [0.6280, 0.1463]]]])

现在我想获取

tensor[0,0,0,0]

获取第一个维度的第0个元素：

		[[[0.3844, 0.9532],
          [0.0787, 0.4187],
          [0.4144, 0.9552]],

         [[0.0713, 0.5281],
          [0.0230, 0.8433],
          [0.1113, 0.5927]],

         [[0.0040, 0.1001],
          [0.3837, 0.6088],
          [0.1752, 0.3184]],

         [[0.2762, 0.8417],
          [0.5438, 0.4406],
          [0.0529, 0.5175]],

         [[0.1038, 0.7948],
          [0.4991, 0.5155],
          [0.4651, 0.8095]]]

获取第二个维度的第0个元素：

		[[0.3844, 0.9532],
		  [0.0787, 0.4187],
		  [0.4144, 0.9552]]

获取第三个维度的第0个元素：

		[0.3844, 0.9532]

获取第四个维度的第0个元素：

		0.3844

其他情况

tensor[-1]
获取第1个维度的最后一个元素：

		[[[0.5918, 0.9135],
          [0.8205, 0.5719],
          [0.8127, 0.3856]],

         [[0.1870, 0.6190],
          [0.2991, 0.9424],
          [0.5405, 0.4200]],

         [[0.9396, 0.8072],
          [0.0319, 0.6586],
          [0.4849, 0.6193]],

         [[0.5268, 0.2794],
          [0.7877, 0.9502],
          [0.6553, 0.9574]],

         [[0.4079, 0.4648],
          [0.6375, 0.8829],
          [0.6280, 0.1463]]]

tensor[0,1]
获取第1个维度的第0个元素 ：

		[[[0.3844, 0.9532],
          [0.0787, 0.4187],
          [0.4144, 0.9552]],

         [[0.0713, 0.5281],
          [0.0230, 0.8433],
          [0.1113, 0.5927]],

         [[0.0040, 0.1001],
          [0.3837, 0.6088],
          [0.1752, 0.3184]],

         [[0.2762, 0.8417],
          [0.5438, 0.4406],
          [0.0529, 0.5175]],

         [[0.1038, 0.7948],
          [0.4991, 0.5155],
          [0.4651, 0.8095]]]

第2个维度的第1个元素：

 		[[0.0713, 0.5281],
          [0.0230, 0.8433],
          [0.1113, 0.5927]]

tensor[:,1,0,1]
获取第1个维度的所有元素：

		[[[0.3844, 0.9532],
          [0.0787, 0.4187],
          [0.4144, 0.9552]],

         [[0.0713, 0.5281],
          [0.0230, 0.8433],
          [0.1113, 0.5927]],

         [[0.0040, 0.1001],
          [0.3837, 0.6088],
          [0.1752, 0.3184]],

         [[0.2762, 0.8417],
          [0.5438, 0.4406],
          [0.0529, 0.5175]],

         [[0.1038, 0.7948],
          [0.4991, 0.5155],
          [0.4651, 0.8095]]],


        [[[0.0377, 0.0249],
          [0.2440, 0.8501],
          [0.1176, 0.7303]],

         [[0.9979, 0.6738],
          [0.2486, 0.4152],
          [0.5896, 0.8879]],

         [[0.3499, 0.6918],
          [0.4399, 0.5192],
          [0.1783, 0.5962]],

         [[0.3021, 0.4297],
          [0.9558, 0.0046],
          [0.9994, 0.1249]],

         [[0.8348, 0.7249],
          [0.1525, 0.3867],
          [0.8992, 0.6996]]],


        [[[0.5918, 0.9135],
          [0.8205, 0.5719],
          [0.8127, 0.3856]],

         [[0.1870, 0.6190],
          [0.2991, 0.9424],
          [0.5405, 0.4200]],

         [[0.9396, 0.8072],
          [0.0319, 0.6586],
          [0.4849, 0.6193]],

         [[0.5268, 0.2794],
          [0.7877, 0.9502],
          [0.6553, 0.9574]],

         [[0.4079, 0.4648],
          [0.6375, 0.8829],
          [0.6280, 0.1463]]]

第2个维度的第1个元素：

 		[[0.0713, 0.5281],
          [0.0230, 0.8433],
          [0.1113, 0.5927]]

		[[0.9979, 0.6738],
          [0.2486, 0.4152],
          [0.5896, 0.8879]]

		[[0.1870, 0.6190],
          [0.2991, 0.9424],
          [0.5405, 0.4200]]

第3个维度的第0个元素：

		[0.0713, 0.5281]
		[0.9979, 0.6738]
		[0.1870, 0.6190]

第4个维度的第1个元素：

		 0.5281
		 0.6738
		 0.6190

最终结果：

tensor([0.5281, 0.6738, 0.6190])
m_Michi
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
pytorch中维度不一致张量之间加减/逻辑运算问题
lppfwl的博客
05-10 5287
pytorch中维度不一致张量之间加减/逻辑运算问题 最近在看一个程序的时候很迷惑pytorch中维度不一致的张量之间如何让做加减和逻辑运算，参考了一个大神的博文https://blog.csdn.net/bxdzyhx/article/details/110831005 然后自己试了一下，特此记录一下 以逻辑与&为例 ...
Pytorch之张量维度及不同维度的操作
ZcsLv_zyq的博客
12-15 3634
参考： pytorch 矩阵维度 - 搜索结果 - 知乎 Pytorch 中的 dim操作介绍 - 大数据 - 亿速云 1.如何理解dim? pytorch的dim和numpy的axis很类似 不同dim的数据长什么样? 维度为0, 0维张量也叫标量 1 维度为1, 0维张量也叫矢量 [1,2] 维度为2, 0维张量也叫
在pytorch中对于张量维度的理解
梦在黎明破晓时的博客
10-22 1125
从左边开始数连续[的数量，最多有X个[说明是X维张量。上面的例子就是4维张量。shape属性中的元素大于等于3时，可以用3维空间来理解。shape=(3, 4, 2)时，表示3个4行2列的张量shape=(2, 3, 4, 2)时，表示有2个 3行4列深度为2的张量shape=(6, 2, 3, 4, 2)时，表示有6个四维张量，这个四维张量又可以表示为2个 3行4列深度为2的张量。
【Pytorch】Pytorch中张量的创建和维度的操作
FelicityXu的博客
03-08 3788
一些pytorch的基础知识
pytorch学习笔记——张量维度操作
phily123的博客
09-23 3948
一、torch.cat() 添加链接描述 按照指定维度拼接张量 c=torch.cat((A,B),0)#按维度0拼接 c=torch.cat((A,B),1)#按维度1拼接 二、torch.view() 添加链接描述 x = torch.randn(4, 4) print(x.size()) y = x.view(16) print(y.size()) z = x.view(-1, 8) # -1表示该维度取决于其它维度大小，即（4*4）/ 8 print(z.size()) m = x.view(2
Pytorch关于张量维度的一些总结
齐落山大勇的博客
02-24 558
Pytorch对张量维度的一些理解。
PyTorch中的张量
Flamingo的博客
01-24 4551
文章目录PyTorch中的张量1.张量的数据类型2.张量的创建方式3.张量的维度4.张量的切片和索引4.张量的运算总结 PyTorch中的张量 1.张量的数据类型 深度学习框架的重要功能之一就是支持张量的定义和运算，PyTorch提供了专门的torch.Tensor类，在这个类中根据张量的格式和需要使用张量的设备，为张量开辟了不同的存储区域，对张量进行存储。 PyTorch中的张量一共支持9种数据类型，每种数据类型都对应CPU和GPU的两种子类型，如下表所示： 数据类型 PyTorch类型 CPU上
pytorch 获取tensor维度信息示例
09-18
本篇文章将深入探讨如何在PyTorch中获取`Tensor`的维度信息，并提供相关的示例。 首先，我们需要导入必要的库： ```python import torch from torch.autograd import Variable ``` 在PyTorch中，`torch.Size`对象...
pytorch中张量的创建和维度的操作
m0_45827246的博客
12-30 1616
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封装简单RNN模型，进行中文训练及文本预测
斯文~
08-26 275
使用pytorch封装简单RNN模型，使用单层nn.RNNnn.Linear等实现，然后做简单的文本预测。
PyTorch概述
最新发布
fydw_715的博客
08-28 482
PyTorch 是一个开源的机器学习框架，由 Facebook 的人工智能研究团队开发。它广泛用于深度学习和神经网络的研究和开发。PyTorch 以其动态计算图、灵活性和简单易用的接口而闻名，深受研究人员和开发者的喜爱。这些模块和子模块构成了 PyTorch 的完整生态系统，涵盖了从基础张量操作到高级模型优化和分布式训练等各个方面。通过这些工具，研究人员和开发者可以高效地进行机器学习和深度学习的研究与开发。
动手学深度学习（pytorch）学习记录15-正则化、权重衰减[学习记录]
weixin_50995339的博客
08-25 433
我们可以通过收集更多的训练数据来缓解过拟合，但这可能成本很高，耗时很多或完全失去控制，在短期内难以做到。假设已经有了足够多的数据，接下来将重点放在正则化技术上。权重衰减是使用最广泛的正则化技术之一，它通常也被称为L2正则化技术方法：通过函数与零之间的距离来度量函数的复杂度；如何精确测量这种‘距离’？一个简单的方法是通过线性函数f(x)=w^(T) x 中权重向量的某个范数(如||w||^2)来度量复杂度最常用的方法是将范数作为惩罚项添加到最小化损失中。
pytorch中的__init__()与super__init__()方法
qq_52057773的博客
08-28 242
super(MyModel, self).__init__() # 调用 nn.Module 的 __init__ 方法return x。
Ubuntu22.04安装深度学习的GPU环境详细教程（小白图文，显卡驱动、CUDA、cuDNN、PyTorch一步到位）
热门推荐
思绪无限的博客
08-23 1万+
本博客详细介绍了如何在 Ubuntu 22.04 系统上安装和配置深度学习环境，包括 NVIDIA 驱动、CUDA Toolkit、cuDNN、Miniconda 及 PyTorch 等关键组件。从安装前的注意事项开始，逐步讲解了如何切换国内软件源以提升下载速度，接着讲述了系统更新和基本依赖项的安装。随后，重点介绍了 NVIDIA 驱动 的自动与手动安装方法，并通过详细的步骤指导读者完成 CUDA Toolkit 和 cuDNN 的下载、安装及验证。最后，通过 Miniconda 创建 Pytorch测试。
pytorch 数据处理
西木风落
08-25 452
对于NN模型训练来说，需要将数据转换成torch识别的数据类型，才能喂给模型。pytorch中，通常使用Dataset和DataLoader这两个工具类来构建数据管道。自定义DataSet都需要集成DataSet父类，复写 __init__，__getitem__和__len__方法。用DataLoader读取Dataset的数据。
【小迪安全笔记V2022】信息打6~8
2202_75354817的博客
08-25 2766
小迪安全学习笔记
python 实现convolution neural network卷积神经网络算法
luthane的博客
08-26 6729
卷积神经网络（Convolutional Neural Networks, CNN）是一种包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks, FNN），是深度学习的代表算法之一。基本原理CNN的核心思想是通过模拟人类视觉系统的工作方式，自动提取图像中的特征，并将其用于分类、检测、分割等任务。它主要受到了生物学上感知机制的启发，模拟了人类视觉系统中的感知细胞和复杂细胞的工作方式。
透明性和解释性AI：概念与应用
weixin_49007164的博客
08-25 2280
透明性AI指的是AI系统的操作过程、决策机制、数据流动和模型行为是可理解和可追踪的。换句话说，透明性AI使得人们可以清楚地看到AI系统是如何做出决策的，这一过程包括输入数据的处理方式、模型的内部计算过程、以及最终决策的产生机制。解释性AI是指AI系统不仅能够给出决策结果，还能够提供关于该决策如何产生的解释。解释性AI的目标是帮助用户理解AI的行为，尤其是当AI的决策与预期不符时，提供合理的解释来消除用户的疑虑。
【python计算机视觉编程——1.基本的图像操作和处理】
m0_53694086的博客
08-26 6132
参数sigma为标准差（σ），是高斯滤波器的一个重要参数，它控制滤波器的平滑程度。标准差越大，高斯函数的曲线越宽，滤波器的影响范围就越大。标准差较大: 高斯滤波器会在更大范围内进行平滑，使得图像变得更加模糊，细节和边缘特征会被更强地平滑掉。标准差较小: 高斯滤波器会产生较小范围的平滑效果，图像的细节保留更多。还可以给定转换矩阵，将RGB图像转换为CIE XYZ色彩空间。图像像素值被分成128个区间，用于计算每个区间的像素值频率。可以返回目录中所有jpg图像的列表。
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