Pytorch01-tensor

itspollyyy

已于 2023-11-01 20:16:12 修改

阅读量56

点赞数

分类专栏： pytorch 文章标签： pytorch

于 2023-11-01 20:15:21 首次发布

本文链接：https://blog.csdn.net/weixin_43399179/article/details/134161284

版权

pytorch 专栏收录该内容

1 篇文章 0 订阅

订阅专栏

1. torch.Tensor:

1. 数据类型：

包含单一数据类型元素的多维矩阵

2. tensor类型的转化：

将python的list或序列数据转化为Tensor，dtype为torch.FloatTensor

torch.tensor()

3. 改变torch.dtype和torch.device：

使用to()方法

torch.ones([2, 3], dtype=torch.float64, device='cuda:0')
# if use mps need to change to mps of device
# tensor([[1., 1., 1.], [1., 1., 1.]], device='cuda:0', dtype=torch.float64)

4. 访问tensor内容：

python索引或切片

索引：

matrix = torch.tensor([[2,3,4],[5,6,7]])
print(matrix[1][2])
# tensor(7)

切片：

matrix[1][2] = 9
print(matrix)
#tensor([[2, 3, 4], [5, 6, 9]])

5. 获取python number从只有一个值的tensor

torch.Tensor.item() 或者int()

x = torch.tensor([[4.5]])
x
# tensor([[4.5000]])
# get x
x.item()
# 4.5
int(x)
# 4

6. 自动求导

设定参数requires_grad=True，此时torch.autograd会记录相关运算实现自动求导。

x = torch.tensor([1., -1.],[1.,1.]], requires_gard=True)
out = x.pow(2).sum()
out.backward()
x.grad
# tensor([[ 2.0000, -2.0000], [ 2.0000,  2.0000]])

7. 保存数据

torch.Storage

8. Tensor属性

8.1 数据类型

dtype 改变

8.2 纬度

dim()

8.3尺寸

shape属性，size()

改变尺寸：

view() ：连续性条件(contiguous)

reshape() ：对不满足连续条件的，会重新开辟内存空间

Pytorch思维张量形状：(N, C, H, W) （number，channel，height，width）

2. Tensor & ndarray

1. Tensor和ndarray

从Tensor得到numpy数组：.numpy()

从numpy得到Tensor：torch.from_numpy

arr = np.random.rand(4,5)
print(type(arr)) # <class 'numpy.ndarray'>

tensor1 = torch.from_numpy(arr)
print(type(tensor1)) #<class 'torch.Tensor'>

arr1 = tensor1.numpy()
print(type(arr1)) # <class 'numpy.ndarray'>

⚠️：

两种方式均为共享数据内存。

可用tensor.clone() 拷贝tensor

2.tensor转换Python数值和数值列表

item()

tolist()

scalar = torch.tensor(1) #scalar, only have value without vector
s = scalar.item()
print(s) #1
print(type(s)) <class 'int'>

tensor = torch.rand(3,2) # matrix
print(tensor)

#tensor([[0.6228, 0.5910], [0.9604, 0.1894], [0.4311, 0.7282]])


t = tensor.tolist()
print(t) #[[0.8211846351623535, 0.20020723342895508],[0.011571824550628662, 0.2906131148338318]]
print(type(t)) #<class 'list'>

3. 创建tensor

torch.tensor()&torch.Tensor()

torch.tensor()只能传入数据

torch.Tensor()可传数据和维度，建议使用torch.tensor()

方法名	功能	备注
torch.rand(*sizes, out=None)	return Tensor, 从[0,1)的均匀分布中抽取一组随机数字，形状由sizes定义
torch.randn(*sizes, out=None)	标准正态分布，均值为0，方差为1，高斯白噪声	不推荐
torch.normal(means, std, out=None)	包含从指定均值means和标准差std的离散正态分布中抽取随机数。std是tensor，包含每个输出元素相关的正态分布标准差。
torch.rand_like(a)	根据a的shape来生成随机数据
torch.randint(low=0, high, size)	生成指定范围（low, hight）和size的随机整数数据	常用
torch.arange(start=0, enf, step, * ,out=None)	生成指定间隔的数据	常用
torch.ones(size, , out=None)	生成给定size且值全为1的矩阵	常用
zeros()/zeros_like()/eye()	全0的tensor和对角矩阵	常用

4.tensor操作

4.1 维度变换

4.1.1 squeeze&unsqueeze维度增减

squeeze() :对tensor进行维度的压缩，去掉维数为1的
- ```
torch.squeeze(1) # delete all the dim=1
```

unsqueeze()：给指定位置加dim=1的维度

torch.unsqueeze(a, N) 
a.squeeze(N)# add dim=1 to N

4.1.2 transpose & permute 维度交换

torch.transpose()只能交换两个维度

permute()可自由交换任意位置

import torch

b = torch.rand(1, 3, 28, 32) 
print(b.transpose(1, 3).shape) # transpose 1 and 3 which is 3 and 32
print(b.transpise(1, 3).transpose(1, 2).shape) #[1, 28, 32, 3]
print(b.permute(0, 2, 3, 1).shape)

4.2 索引切片

4.2.1 规则索引切片

t = torch.randint(1, 10, [3,3])
print(t)
# tensor([[7, 9, 1], [5, 7, 5], [8, 3, 1]])
print(t[0]) # tensor([7, 9, 1])

4.3 合并分割

4.3.1 torch.cat & torch.stack

torch.cat是连接，不会增加维度

torch.stack是堆叠，会增加维度

a = torch.arange(0,9).view(3,3)
print(a)
b = torch.arange(10, 19).view(3,3)
print(b)
c = torch.arange(20, 29).view(3,3)
print(c)
cat_abc = torch.cat([a, b, c], dim=0)
print(cat_abc.shape)
stack_abc = torch.stack([a, b, c], axis=0)
print(stack_abc.shape)
print(stack_abc)

'''

tensor([[0, 1, 2],
        [3, 4, 5],
        [6, 7, 8]])
tensor([[10, 11, 12],
        [13, 14, 15],
        [16, 17, 18]])
tensor([[20, 21, 22],
        [23, 24, 25],
        [26, 27, 28]])
torch.Size([9, 3])
torch.Size([3, 3, 3])
tensor([[[ 0,  1,  2],
         [ 3,  4,  5],
         [ 6,  7,  8]],

        [[10, 11, 12],
         [13, 14, 15],
         [16, 17, 18]],

        [[20, 21, 22],
         [23, 24, 25],
         [26, 27, 28]]])
'''

4.3.2 torch.split & torch.chunk

torch.split()是将tensor->多个块

a = torch.arange(10).reshape(5,2)
print(a)
print(torch.split(a, 2))
print(torch.split(a, [1,4]))
# If split_size_or_sections is a list, then tensor will be split into len(split_size_or_sections) chunks with sizes in dim according to split_size_or_sections.
"""
torch.split(tensor, split_size_or_sections, dim=0)

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

torch.chunk()将tensor按dim分割成chunks个tensor,返回元组

a = torch.arange(10).reshape(5,2)
print(a)
# print(torch.split(a, 2))
# print(torch.split(a, [1,4]))
print(torch.chunk(a, 2, dim=1))
'''
tensor([[0, 1],
        [2, 3],
        [4, 5],
        [6, 7],
        [8, 9]])
(tensor([[0],
        [2],
        [4],
        [6],
        [8]]), tensor([[1],
        [3],
        [5],
        [7],
        [9]]))
'''