深度学习框架pytorch1

• 📢博客主页：盾山狂热粉的博客_CSDN博客-C、C++语言,机器视觉领域博主
• 📢努力努力再努力嗷~~~✨

💡大纲

⭕首先认识pytorch的基本数据类型：张量tensor

	类型
CPU	torch.FloatTensor	torch.DoubleTensor	torch.HalfTensor	torch.ByteTensor	torch.CharTensor	torch.ShortTensor	torch.IntTensor	torch.LongTensor
GPU	例如torch.cuda.FloatTensor

一、查看张量状态

（一）引用模块

import torch

（二）对不同维度的张量进行访问

1、Dimension 0

💡一般是一个标量，维度为0

👉取tensor里面的值

a = torch.tensor(1)
print(a) # tensor(1)
print(a.item()) # 1

⚠️.items() 这是字典里取键值对

👉输出当前类型

print(a.type()) # 这种信息更详细
print(type(a))
'''
torch.LongTensor
<class 'torch.Tensor'>
'''

👉查看设备（CPU、GPU）

print(a.device) # cpu

👉查看形状

print(a.shape) # torch.Size([])
print(a.size())

👉判断现在的数据类型是不是想要的类型，目前该类型为torch.LongTensor

print(isinstance(a,torch.FloatTensor)) # False

👉 查看维度

print(a.dim()) # 0
print(len(a.shape))

2、Dimension 1

💡（Bias;linear layer input），一般是线性层的输入

b= torch.tensor([1,2,3,4])
print(b)
print(b.dim()) 
print(b.type())
print(b.device)
print(b.shape) # 当前维度下有四个元素
'''
tensor([1, 2, 3, 4])
1
torch.LongTensor
cpu
torch.Size([4])
'''

3、Dimension 2

💡在模型中一般为 [batch,linear layer input]

c= torch.tensor([[1,2,3,4],[5,6,7,8]])
print(c)
print(c.dim()) 
print(c.type())
print(c.device)
print(c.shape)
'''
tensor([[1, 2, 3, 4],
        [5, 6, 7, 8]])
2
torch.LongTensor
cpu
torch.Size([2, 4])
'''

4、Dimension 3

💡看做文本：文章篇数，文章里的句子，句子里包含的字数；图像：[1, 2, 4] 单通道灰度图像 图像的高度、宽度；图 [3，224，224] 三通道彩色图像 

d = torch.tensor([[[1,2,3,4],[5,6,7,8]]])
print(d)
print(d.dim()) 
print(d.type())
print(d.device)
print(d.shape)
print(torch.numel(d)) # 看目标数据里的元素数量
'''
tensor([[[1, 2, 3, 4],
         [5, 6, 7, 8]]])
3
torch.LongTensor
cpu
torch.Size([1, 2, 4])
8
'''

5、Dimension 4

💡[B,3,224,224] 图片数据集，第一个是图片数量

二、张量的创建

（一）有初始化的

1、create from list(python)

a = torch.FloatTensor(4)
# 不指定类型创建 
b=torch.tensor(4)
print(a.type())
print(b.type())
'''
torch.FloatTensor
torch.LongTensor
'''

2、根据numpy库创建

import numpy as np
a = np.array([2,3,3])
print(a)
b = torch.from_numpy(a) # 根据numpy创建，转换为tensor数据类型
print(b)
'''
[2 3 3]
tensor([2, 3, 3], dtype=torch.int32)
'''

3、torch.ones/torch.zeros/torch.eye/torch.full

c=torch.ones(3,3) # 三行三列
print(c)
print(c.shape)
print(c.dim())
'''
tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]])
torch.Size([3, 3])
2
'''

c=torch.zeros(3,3) # 全为0
print(c)
print(c.shape)
print(c.dim())
'''
tensor([[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]])
torch.Size([3, 3])
2
'''

c=torch.eye(3,3) # 对角矩阵
print(c)
print(c.shape)
print(c.dim())
'''
tensor([[1., 0., 0.],
        [0., 1., 0.],
        [0., 0., 1.]])
torch.Size([3, 3])
2
'''

c=torch.full([2,3],7)
print(c)
print(c.shape)
print(c.dim())
'''
tensor([[7, 7, 7],
        [7, 7, 7]])
torch.Size([2, 3])
2
'''

4、torch.arange/torch.range 创建一维向量

a=torch.arange(0,10,2) # 创建一个一维向量
# a=torch.range(0,10) 功能一样，但是会警告
print(a)
print(a.dim())
b=torch.arange(0,10)
print(b)
'''
tensor([0, 2, 4, 6, 8])
1
tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
'''

5、torch.linspace 将一定范围的数据等分

c=torch.linspace(0,10,5) # 将0~10分成四等份
print(c)
# tensor([ 0.0000,  2.5000,  5.0000,  7.5000, 10.0000])

（二）无初始化，意思并不是不赋值，而是随机赋值

💡针对没有初始化的张量类型，初始化对应的是形状

1、torch.empty 根据给定的类型创建给定大小的张量，然后随机赋值

a = torch.empty((2, 3), dtype=torch.int32, device='cpu') # 数据形状
print(a)
print(a.type())
'''
tensor([[ 929115492, 1663919669, 1701132343],
        [1664167990,  778253922, 1952543859]], dtype=torch.int32)
torch.IntTensor
'''

2、torch.Tensor 给定形状创建，默认类型为torch.FloatTensor

a=torch.tensor([2,3])
print(a)
print(a.type())

b= torch.Tensor(2,3) # 与torch.tensor(2)相比，赋值是数据大小，默认是创建浮点型
print(b)
print(b.type())

c=torch.IntTensor(2,3)
print(c)
print(c.type())

d=torch.FloatTensor(2,3) # 可以简写为torch.Tensor(2,3)
print(d)
print(d.type())

'''
tensor([2, 3])
torch.LongTensor

tensor([[8.4561e-307, 1.3796e-306, 8.0663e-308],
        [8.0111e-307, 6.8981e-307, 1.7802e-306]])
torch.DoubleTensor

tensor([[         0,         53,  926443110],
        [1697722722,  842281008,  845571684]], dtype=torch.int32)
torch.IntTensor

tensor([[0.0000e+00, 0.0000e+00, 0.0000e+00],
        [0.0000e+00, 0.0000e+00, 1.4153e-43]], dtype=torch.float32)
torch.FloatTensor
'''

3、修改默认类型，当然只能修改为float类型的

a=torch.Tensor(2,3)
torch.set_default_tensor_type(torch.DoubleTensor)
b=torch.Tensor(2,3)
print(a.type())
print(b.type())
'''
torch.FloatTensor
torch.DoubleTensor
'''

4、随机赋值

a=torch.rand(3,3) # 创建一个3X3的二维张量类型
print(a)
b=torch.rand_like(a) # 根据a创建b
print(b)
c=torch.randint(1,10,(3,3)) # 给定数据范围为1~10的整数
print(c)
d=torch.randn(3,3) # 正态分布
print(d)

'''
tensor([[0.0458, 0.8445, 0.3981],
        [0.0484, 0.1764, 0.9165],
        [0.8866, 0.7467, 0.5284]])

tensor([[0.9577, 0.4366, 0.4029],
        [0.2032, 0.4377, 0.9875],
        [0.5898, 0.2831, 0.0097]])

tensor([[6, 1, 1],
        [1, 3, 1],
        [9, 4, 5]])

tensor([[ 0.2395, -0.2946,  1.3685],
        [-1.6190,  0.0563,  0.0584],
        [ 0.7728,  0.6980, -1.3311]])
'''

5、给定数据数量，随机打散输出

a=torch.randperm(10) # 10个数，z在0~10内打散随机
print(a)
b=torch.randperm(10)
print(b)
c=torch.randperm(6)
print(c)

'''
tensor([5, 3, 7, 9, 1, 0, 6, 8, 4, 2])
tensor([9, 4, 5, 7, 3, 0, 1, 6, 8, 2])
tensor([0, 2, 5, 4, 3, 1])
'''

 📢欢迎点赞 👍 收藏 ⭐留言 📝 如有错误敬请指正！