PyTorch基础知识

最新推荐文章于 2024-07-23 17:38:40 发布
最新推荐文章于 2024-07-23 17:38:40 发布
阅读量587 收藏
点赞数
分类专栏： PyTorch学习 文章标签： pytorch 深度学习 python
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_43794668/article/details/125721052
版权

PyTorch的基础知识

  1. 创建张量的几种方式
  • # 随机初始化矩阵
import torch
x = torch.rand(4, 3)
print(x)
'''
output:
tensor([[0.5573, 0.2395, 0.5920],
        [0.6214, 0.2509, 0.7425],
        [0.3225, 0.0648, 0.3799],
        [0.0929, 0.9899, 0.1163]])
'''

  • # 全零矩阵
import torch
x = torch.zeros(4, 3, dtype = torch.long)
print(x)
'''
output:
tensor([[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]])
'''

  • # 使用torch.zero_()和torch.zeros_like()将现有矩阵转化成全零矩阵
import torch
x = torch.rand(4, 3)
print(x)
y = torch.zeros_like(x)
z = torch.zero_(x)
print(x)
print(y)
print(z)
'''
output：
tensor([[0.0644, 0.5627, 0.0045],
        [0.2518, 0.6186, 0.8489],
        [0.1588, 0.7015, 0.5523],
        [0.5772, 0.1593, 0.7644]])
tensor([[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]])
tensor([[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]])
tensor([[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]])

可以发现torch.zero_()方法和torch.zeros_like()方法将原来的张量修改为全零张量，返回一个全零张量。
'''

  • # 通过torch.tensor()方法直接使用数据构造一个张量
import torch
x = torch.tensor([5.5, 3])
print(x)
'''
output:
tensor([5.5000, 3.0000])
'''

  • # 基于已经存在的tensor，创建一个tensor
y = y.new_ones(4, 3, dtype=torch.double)  # 该写法与y = torch.ones(4, 3, dtype = torch.double)等价
print(y)
print(y.shape)
print(y.size())
print(y.dtype)
'''
output:
tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], dtype=torch.float64)
torch.Size([4, 3])
torch.Size([4, 3])
torch.float64
'''

y_ = torch.randn_like(y, dtype=torch.float)  # 重置数据类型
print(y_)
print(y_.shape)
print(y_.size())
print(y_.dtype)
'''
tensor([[-1.0661, -0.8657,  2.1197],
        [ 0.1403,  0.4686,  1.3409],
        [ 0.6883, -0.6068,  0.9095],
        [-0.1570,  1.3021,  1.0214]])
torch.Size([4, 3])
torch.Size([4, 3])
torch.float32
'''

  • x = torch.tensor([1, 2])  # tensor([1, 2, 3]) 创建一个指定数据的张量
x = torch.ones([1, 2])  # tensor([[1., 1.]])  创建全一张量
x = torch.zeros([1, 2])  # tensor([[0., 0.]])  创建全零张量
x = torch.eye(2)  # 对角线上的元素为一，其余元素为零
'''
tensor([[1., 0.],
        [0., 1.]]) 
'''
x = torch.arange(1, 10, 2)  # tensor([1, 3, 5, 7, 9])  创建张量，从1到10， 步长为二

x = torch.linspace(1, 10, 3)  # tensor([ 1.0000,  5.5000, 10.0000]) 从1到10，平均分成三份
x = torch.rand(5)  #  tensor([0.0767, 0.7068, 0.6478, 0.7589, 0.9357]) 产生一个[0, 1]均匀分布的张量
x = torch.randn(5)  # tensor([-1.1756,  0.6960, -0.5846,  0.9069, -0.4973]) 产生一个服从N(0, 1)正态分布的张量

x = torch.zeros((2, 3)) # 创建全零张量x
x.normal_(0, 1)  # 使x均值为0，方差为1 
'''
tensor([[ 1.0211, -1.2035,  1.5915],
        [ 0.1101, -0.8491,  1.5457]])
'''

x = torch.normal(mean=torch.arange(1., 11.), std=torch.arange(1., 0, -0.1))
'''
tensor([0.7151, 2.9019, 2.9995, 3.5276, 4.5882, 5.6927, 7.7414, 8.2401, 8.8037,
        9.8141]) 
返回一个张量，包含从给定参数means,std的离散正态分布中抽取随机数。 均值means是一个张量，包含每个输出元素相关的正态分布的均值。
'''
x = torch.randperm(5) # 将[0 ~ 4]随机排列成一个张量  tensor([3, 1, 0, 4, 2])
    1. 张量操作
  • # 加法操作
import torch
# 方式一
x = torch.rand(4, 3)
y = torch.rand(4, 3)
print(x)
print(y)
print("---------------")
print(x + y)

# 方式二
print(torch.add(x, y))
# 方式三 in_place形式
y.add_(x)
print(y)
'''
tensor([[0.4765, 0.9658, 0.9384],
        [0.9804, 0.6404, 0.8394],
        [0.4807, 0.8789, 0.4184],
        [0.5555, 0.2453, 0.7822]])
tensor([[0.2453, 0.2788, 0.8920],
        [0.4451, 0.0579, 0.0933],
        [0.4913, 0.6723, 0.8088],
        [0.2263, 0.5807, 0.6181]])
---------------
tensor([[0.7218, 1.2446, 1.8304],
        [1.4255, 0.6983, 0.9327],
        [0.9720, 1.5512, 1.2272],
        [0.7819, 0.8261, 1.4003]])
tensor([[0.7218, 1.2446, 1.8304],
        [1.4255, 0.6983, 0.9327],
        [0.9720, 1.5512, 1.2272],
        [0.7819, 0.8261, 1.4003]])
tensor([[0.7218, 1.2446, 1.8304],
        [1.4255, 0.6983, 0.9327],
        [0.9720, 1.5512, 1.2272],
        [0.7819, 0.8261, 1.4003]])
'''

  • # 索引操作
import torch
x = torch.rand(4, 3)
print(x)
print(x[:, 1])  # 取第二列
'''
tensor([[0.6915, 0.0722, 0.7704],
        [0.1637, 0.5775, 0.7028],
        [0.5363, 0.6569, 0.9537],
        [0.0964, 0.0600, 0.0600]])
tensor([0.0722, 0.5775, 0.6569, 0.0600])
'''

  • # 修改张量的值
y = x[0,:]
y += 1
print(y)
print(x[0, :])
'''
tensor([1.6915, 1.0722, 1.7704])
tensor([1.6915, 1.0722, 1.7704])
可以看到，原来的x张量也被修改了
'''
# 使用深拷贝修改张量的值
import copy
y = copy.deepcopy(x[0,:])
y += 1
print(y)
print(x[0, :])
'''
tensor([1.6915, 1.0722, 1.7704])
tensor([0.6915, 0.0722, 0.7704])
使用深拷贝方法时，张量x的值就不会被修改
'''


  • # 张量维度变换  torch.view()和torch.reshape()
x = torch.randn(4, 4)
y = x.view(16)
z = x.view(-1, 8)
print(x.shape, y.shape, z.shape)
'''
torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])
'''

  • # 测试torch.view()
x += 1
print(x)
print(y)
'''
tensor([[-0.6099,  0.3227,  0.0073,  1.4421],
        [ 2.7223,  0.0773,  1.2584,  2.1311],
        [ 1.7686,  0.6116,  0.0822,  1.0682],
        [ 0.8888,  0.5013,  3.0155,  2.7268]])
tensor([-0.6099,  0.3227,  0.0073,  1.4421,  2.7223,  0.0773,  1.2584,  2.1311,
         1.7686,  0.6116,  0.0822,  1.0682,  0.8888,  0.5013,  3.0155,  2.7268])
以上结果说明，x和y是同一个张量，他们共享内存，torch.view()函数实际上只改变了该张量的观察角度
'''

  • # 测试torch.reshape()
x = torch.randn(4, 4)
y = x.view(16)
z = x.view(-1, 8)
print(x.shape, y.shape, z.shape)
print(id(x))
print(id(y))
print(id(z))
'''
x = torch.randn(4, 4)
y = x.view(16)
z = x.view(-1, 8)
print(x.shape, y.shape, z.shape)
print(id(x))
print(id(y))
print(id(z))
可以看到他们的id相同，也都是同一个张量
'''

  • # 取值操作，使用item()方法可以获得value而不获得其他性质
x = torch.randn(1) 
print(type(x)) 
print(type(x.item()))
print(x.item())
'''
<class 'torch.Tensor'>
<class 'float'>
-2.635510206222534
'''

  • # PyTorch的广播机制
x = torch.arange(1, 3).view(1, 2)
print(x)
y = torch.arange(1, 4).view(3, 1)
print(y)
print(x + y)
'''
tensor([[1, 2]])
tensor([[1],
        [2],
        [3]])
tensor([[2, 3],
        [3, 4],
        [4, 5]])
x和y分别是一行两列和3行一列的矩阵，如果要运算的话需要将维度保持一致，将x复制两行变成三行两列，将y复制一列变成三行两列，这样维度一致之后，就可以运算了。
'''
KevinHQK
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
PyTorch基础学习
qq_42504905的博客
04-19 1780
1.tensor tensor中最常使用的就是FloatTensor和LongTensor，分别代表了浮点数和整型 注意：定义一个张量tensor时，T可以大写可以小写，代表的是同样的意思，但定义整型和浮点数的时候F和T一类的必须要大写 Tensor是类，是FloatTensor的别名。 tensor是函数，可根据 detype指定类别。 两者在生成0维变量时有区别。 一般情况下用tensor即可。 1.1tensor的分类 张量tensor分为0维张量1维张量二维张量和多维张量 0维张量就是标量 a =
PyTorch基础知识学习记录
Hedwig成长之路
08-16 459
pytorch组队学习笔记
【pytorch学习】torch.empty
UESTC_201722的博客
11-07 1万+
torch.empty torch.empty(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False, pin_memory=False) → Tensor ''' Returns a tensor filled with uninitialized data. The sha...
torch.zeros() 函数介绍
“365天深度学习训练营”报名进行中～
06-02 5470
函数是 PyTorch 中的一个函数，用于创建一个指定大小的全零张量（tensor）。函数返回一个新的张量，其元素全部为零，并具有指定的形状、数据类型和设备。函数常用于初始化模型参数、创建占位符张量等场景。
torch.zero
It is me 的博客
06-15 1582
temp = torch.zeros(fit.shape) # fit：[1, 6, 128] #temp = temp.cuda()
【科研小小白的神经网络Day1】读懂线性回归的代码必掌握的几个函数：torch.zeros、torch.tensor、torch.normal、torch.matmul
imblackcat的博客
05-29 775
机器学习小白常遇见的函数
动手学深度学习—预备知识
weixin_47707171的博客
11-18 1017
入门 1、导入pytorch 2、通过x = torch.arange()创建tensor，通过.shape或者.size()访问tensor形状。.reshape()可以将tensor转化为我们需要的形状，可以是2维也可以是多维的。 3、torch.zeros((x,y,z))可以创建形状是(x,y,z)的全0元素张量，torch.ones((x,y,z))创建全1元素张量，torch.randn()创建目标形状的正态分布张量。 4、torch.tensor([])能够直接给元素赋予特定值，torch.t
【PyTorch学习】PyTorch基础知识
12-21
【PyTorch学习】PyTorch基础知识 PyTorch是一个由Facebook开发的开源深度学习框架，它是基于Python的，提供了一种动态计算图机制。PyTorch起源于Torch7，但利用Python的便利性和丰富的生态系统，使得它更适合科研和...
pytorch 基础知识2.0
01-20
PyTorch 基础知识2.0 PyTorch 是一个基于 Python 的机器学习框架，广泛应用于深度学习和人工智能领域。下面是 PyTorch 基础知识2.0 中的知识点： 1. torch.mean() torch.mean() 函数用于计算 tensor 的均值。在...
pytorch基础知识1.0
01-20
PyTorch 基础知识 1.0 PyTorch 是一个基于 Python 的机器学习库，特别适合深度学习。下面是 PyTorch 基础知识 1.0 的相关知识点。 1. 创建张量 在 PyTorch 中，张量（Tensor）是基本数据结构。可以使用 `torch....
pytorch基础知识，入门学习
11-23
本压缩包文件包含了一系列与PyTorch基础和入门学习相关的资源，涵盖了从框架理解到深度学习训练的全过程。 1. **Python入门**： Python是PyTorch的基础，它是一种高级编程语言，以其简洁明了的语法和丰富的库支持...
PyTorch使用torch.sort()函数来筛选出前k个最大的项或者筛选出前k个最小的项
敲代码的小风
12-26 4124
Microsoft Windows [版本 10.0.18363.1256] (c) 2019 Microsoft Corporation。保留所有权利。 C:\Users\chenxuqi>conda activate ssd4pytorch1_2_0 (ssd4pytorch1_2_0) C:\Users\chenxuqi>python Python 3.7.7 (default, May 6 2020, 11:45:54) [MSC v.1916 64 bit (AMD64)] ::
pytorch入门笔记
长期更新Java自学笔记
11-14 341
一、tensor的创建 初始化一个随机的tensor，数值可能很大，也可能很小 x = torch.empty(5, 3) 初始化一个数字位于(0,1)的随机tensor x = torch.rand(5, 3) 初始化一个类型为long的全零tensor x = torch.zeros(5, 3, dtype=torch.long) x = torch.zeros(5, 3).long() 生成全1的tensor x = torch.ones(3,
pytorch zero_()函数（将tensor清零）
Dontla的博客
08-15 2884
用0填充该tensor。 可用于梯度清零
PyTorch | torch.zeros()如何使用？torch.zeros使用方法 | torch.zeros()例子
中科院AI算法工程师的博客
01-14 4640
举例说明
torch.zeros( )
weixin_36670529的博客
05-17 2229
# 输入： import torch x=torch.zeros(3) print(x) Output： tensor([0., 0., 0.])
torch.ones_like函数和torch.zero_like函数
热门推荐
tszupup的博客
08-20 3万+
torch.ones_like函数和torch.zero_like函数的基本功能是根据给定张量，生成与其形状相同的全1张量或全0张量，示例如下： input = torch.rand(2, 3) print(input) # 生成与input形状相同、元素全为1的张量 a = torch.ones_like(input) print(a) # 生成与input形状相同、元素全为0的张量 b = torch.zeros_like(input) print(b) 效果如下： tensor([[0.08
【PyTorch】单目标检测项目部署
最新发布
Frost_Descent的博客
07-23 586
详细参照前文【PyTorch】单目标检测项目import os# 定义一个函数，用于将a列表中的元素除以b列表中的对应元素，返回一个新的列表# 使用zip函数将a和b列表中的元素一一对应# 返回新的列表return div# 定义一个函数，用于将a列表中的元素乘以b列表中的对应元素，返回一个新的列表# 使用zip函数将a和b列表中的元素一一对应# 返回新的列表return div# 定义一个函数，用于调整图像和标签的大小# 获取原始图像的宽度和高度# 获取目标图像的宽度和高度。
深度学习入门教程：PyTorch基础知识
PyTorch 深度学习框架详解 PyTorch 是一个基于 Python 的深度学习框架，可以用来构建和训练深度神经网络。下面是 PyTorch 的一些关键概念和技术： 1. 动手学深度学习：PyTorch 提供了一个交互式的学习平台，允许...
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

打赏作者

KevinHQK

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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