#tensor
from __future__ import print_function
import torch
#创建一个 5x3 矩阵, 但是未初始化
x = torch.empty(5,3)
print(x)
#创建一个随机初始化的矩阵
x = torch.rand(5,3)
print(x)
#创建一个0填充的矩阵,数据类型为long
x = torch.zeros(5,3,dtype=torch.long)
#创建tensor并使用现有数据初始化
x = torch.tensor([5,5,3])
print(x)
#根据现有的张量创建张量
x = x.new_ones(5,3,dtype=torch.double) # new_* 方法来创建对象
print(x)
x = torch.randn_like(x,dtype=torch.float) # 覆盖dtype!
print(x) # 对象的size 是相同的,只是值和类型发生了变化
#操作
#加法
y = torch.rand(5,3)
print(x + y)
#加法2
print(torch.add(x, y))
#提供tensor作为参数
result = torch.empty(5,3)
torch.add(x, y, out = result)
print(result)
#替换 : adds x to y
y.add_(x)
print(y)
#torch.view 与 Numpy的reshape类似
x = torch.randn(4,4)
y = x.view(16)
# 下面的-1表示一个不确定的数,就是你如果不确定你想要reshape成几行,
# 但是你很肯定要reshape成4列,那不确定的地方就可以写成-1
z = x.view(-1,8)
print(x.size(),y.size(),z.size())
#使用.item()来得到Python数据类型的数值
x = torch.randn(1) # x = torch.randn(1)
print(x) # -0.23680149018764496
print(x.item())
# 将一个Torch Tensor转换为NumPy数组
a = torch.ones(5) #tensor([1., 1., 1., 1., 1.])
print(a)
b = a.numpy() #[1. 1. 1. 1. 1.]
print(b)
#观察numpy数组的值是如何改变的
a.add_(1)
print(a)
print(b)
# NumPy Array 转化成 Torch Tensor
# 使用from_numpy自动转化
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print(a) #[2. 2. 2. 2. 2.]
print(b) #tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
#使用.to 方法 可以将Tensor移动到任何设备中
# is_available 函数判断是否有cuda可以使用
# ``torch.device``将张量移动到指定的设备中
if torch.cuda.is_available():
device = torch.device("cuda") # a CUDA 设备对象
y = torch.ones_like(x, device=device) # 直接从GPU创建张量
x = x.to(device) # 或者直接使用``.to("cuda")``将张量移动到cuda中
z = x + y
print(z)
print(z.to("cpu", torch.double)) # ``.to`` 也会对变量的类型做更改
pytorch官网教程:tensor代码理解
最新推荐文章于 2024-07-25 20:24:56 发布