第1周:Day 4-5 - 张量(Tensors)操作

第1周:Day 4-5 - 张量(Tensors)操作
在这两天里,我们将专注于学习和实践PyTorch和TensorFlow中的张量操作。张量是这两个框架中用于表示数据的基本单位,理解它们的操作对深度学习至关重要。

1.PyTorch张量操作
创建张量:

PyTorch中,你可以使用torch.tensor来创建张量。
示例代码:
import torch

x = torch.tensor([1, 2, 3])
y = torch.ones([2, 2])
z = torch.zeros([3, 3])

2.索引和切片:

张量的索引和切片与NumPy数组类似。
示例代码:

索引和切片:

张量的索引和切片与NumPy数组类似。
示例代码:
x = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(x[1, 2]) # 获取元素
print(x[:, 1]) # 切片

3.张量运算:

PyTorch提供了大量的张量操作函数。
示例代码:
x = torch.tensor([1, 2, 3])
y = torch.tensor([4, 5, 6])

相加

z = x + y
print(z)

乘法

z = x * y
print(z)

TensorFlow张量操作
1.TensorFlow张量操作

import tensorflow as tf

x = tf.constant([1, 2, 3])
y = tf.ones([2, 2])
z = tf.zeros([3, 3])

2.索引和切片:

TensorFlow张量的索引和切片操作也非常类似于NumPy。
示例代码:

索引和切片:

TensorFlow张量的索引和切片操作也非常类似于NumPy。
示例代码:

第1周:Day 4-5 - 张量(Tensors)操作
在这两天里,你将专注于学习和实践PyTorch和TensorFlow中的张量操作。张量是这两个框架中用于表示数据的基本单位,理解它们的操作对深度学习至关重要。

PyTorch张量操作
创建张量:

PyTorch中,你可以使用torch.tensor来创建张量。
示例代码:
python
Copy code
import torch

x = torch.tensor([1, 2, 3])
y = torch.ones([2, 2])
z = torch.zeros([3, 3])
索引和切片:

张量的索引和切片与NumPy数组类似。
示例代码:
python
Copy code
x = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(x[1, 2]) # 获取元素
print(x[:, 1]) # 切片
张量运算:

PyTorch提供了大量的张量操作函数。
示例代码:
python
Copy code
x = torch.tensor([1, 2, 3])
y = torch.tensor([4, 5, 6])

相加

z = x + y
print(z)

乘法

z = x * y
print(z)

TensorFlow张量操作

1.创建张量:
在TensorFlow中,我们可以使用tf.constant来创建张量。
示例代码:
python
Copy code
import tensorflow as tf

x = tf.constant([1, 2, 3])
y = tf.ones([2, 2])
z = tf.zeros([3, 3])
2.索引和切片:

TensorFlow张量的索引和切片操作也非常类似于NumPy。
示例代码:
python
Copy code
x = tf.constant([[1, 2, 3], [4, 5, 6]])
print(x[1, 2]) # 获取元素
print(x[:, 1]) # 切片

3.张量运算:

TensorFlow同样提供了丰富的张量操作函数。
示例代码:
x = tf.constant([1, 2, 3])
y = tf.constant([4, 5, 6])

相加

z = tf.add(x, y)
print(z)

乘法

z = tf.multiply(x, y)
print(z)

对比学习
在张量的创建方面,两者都提供了简洁的方法来创建不同类型的张量(如全1、全0张量等)。
张量的索引和切片操作在两者之间非常相似,如果你熟悉NumPy,那么这些操作会感觉很自然。
在张量运算方面,PyTorch倾向于使用操作符重载(如+,*),而TensorFlow则提供了专门的函数(如tf.add,tf.multiply),但两者在功能上是等价的。
通过掌握这些基础的张量操作,我们将能够更深入地理解和使用PyTorch和TensorFlow进行更复杂的深度学习模型构建。记得多实践,因为实践是学习编程的最好方法。

  • 25
    点赞
  • 17
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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