Pytorch张量tensor的使用

最新推荐文章于 2024-06-27 17:39:25 发布
最新推荐文章于 2024-06-27 17:39:25 发布
阅读量1k 收藏
点赞数 2
分类专栏： 自然语言处理 文章标签： 深度学习 自然语言处理 人工智能
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/weixin_44799217/article/details/114854294
版权

1. 张量Tensor

Tensors张量: 张量的概念类似于Numpy中的ndarray数据结构, 最大的区别在于Tensor可以利用GPU的加速功能.

张量是一个统称，其中包含很多类型：   【各种数值数据统称为张量】

  1. 0阶张量：标量、常数，0-D Tensor    【scaler】

  2. 1阶张量：向量，1-D Tensor    【vector】

  3. 2阶张量：矩阵，2-D Tensor  【matrix】

  4. 3阶张量

  5. ...

  6. N阶张量

2. Pytorch中创建张量

1.使用python中的列表或者序列创建tensor，直接通过数据创建张量

import torch
ret = torch.tensor([[1, -1], [1, -1]])
print(ret)

2.使用numpy中的数组创建tensor，直接通过数据创建张量

import torch
import numpy as np
ret = torch.tensor(np.array([[1, 2, 3], [4, 5, 6]]))
print(ret)


import torch
import numpy as np
ret = torch.tensor(np.arange(12).reshape(3, 4))
print(ret)

3.使用torch的api创建tensor，创建一个没有初始化的矩阵

  • torch.empty(3,4)创建3行4列的空的tensor，会用无用数据进行填充   【torch.empty([3, 4])，加上中括号也是可以的】
import torch
ret = torch.empty([3, 4])
print(ret)

注意：torch.empty()填充的数据不是0，是随机的数字，本人试过好多数据，仅发现了torch.empty(3,4)输出的矩阵结果全是0。

        当声明一个未初始化的矩阵时, 它本身不包含任何确切的值. 当创建一个未初始化的矩阵时, 分配给矩阵的内存中有什么数值就赋值给了这个矩阵, 本质上是毫无意义的数据.

  • torch.ones([3,4]) 创建3行4列的全为1的tensor
import torch
ret = torch.ones([3, 4])
print(ret)

  • torch.zeros([3,4])创建3行4列的全为0的tensor
import torch
ret = torch.zeros([3, 4])
print(ret)

  • torch.rand([3,4]) 创建3行4列的随机值的tensor，随机值的区间是[0, 1)
import torch
ret = torch.rand([3, 4])
print(ret)

  • torch.randint(low=0,high=10,size=[3,4]) 创建3行4列的随机整数的tensor，随机值的区间是[low, high)

    import torch
ret = torch.randint(0, 5, [3, 4])
print(ret)

  • torch.randn([3,4]) 创建3行4列的随机数的tensor，随机值的分布式均值为0，方差为1
import torch
ret = torch.randn([3, 4])
print(ret)

  • 通过已有的一个张量创建相同尺寸的新张量

  • 注意:
    • torch.Size函数本质上返回的是一个tuple, 因此它支持一切元组的操作.

3. Pytorch中tensor的常用方法

  • 获取tensor中的数据(当tensor中只有一个元素可用)：tensor.item()

    import torch
import numpy as np
ret = torch.tensor(np.arange(1))
print(ret)
print(ret.item())


import torch
import numpy as np
ret = torch.tensor([[[[1.3]]]])
print(ret)
print(ret.item())

  • 转化为numpy数组

    import torch
import numpy as np
ret = torch.tensor(np.arange(12).reshape(3, 4))
print(ret)
print(ret.numpy())

  • 获取形状：tensor.size()

    import torch
import numpy as np
ret = torch.tensor(np.arange(12).reshape(3, 4))
print(ret)
print(ret.size())

  • 形状改变：tensor.view((3,4))。类似numpy中的reshape，是一种浅拷贝，仅仅是形状发生改变

    import torch
import numpy as np
ret = torch.tensor(np.arange(12).reshape(3, 4))
print(ret)
# print(ret.view((2, 6)))
print(ret.view(2, 6))  # 和上面的写法是一样的
print(ret)

  • 获取阶数：tensor.dim()  【如果为常数，则返回0】

    import torch
import numpy as np
ret = torch.tensor(np.arange(12).reshape(3, 4))
print(ret)
print(ret.dim())

  • 获取最大值：tensor.max()   【x.std()】

    import torch
import numpy as np
ret = torch.tensor(np.arange(12).reshape(3, 4))
print(ret)
print(ret.max())

  • 转置：tensor.t()

    import torch
import numpy as np
ret = torch.tensor(np.arange(12).reshape(3, 4))
print(ret)
print(ret.t())


import torch
import numpy as np
ret = torch.tensor(np.arange(12).reshape(3, 4))
print(ret)
print(ret.transpose(0, 1))  # 这里面是数字不能随意写的

  • tensor[1,3] 获取tensor中第一行第三列的值

import torch
import numpy as np
ret = torch.tensor(np.arange(12).reshape(3, 4))
print(ret)
print(ret[1, 2])


import torch
import numpy as np
ret = torch.tensor(np.arange(12).reshape(3, 4))
print(ret)
print(ret[:2])
print(ret[1:2])
print(ret[:2, :2])

  • tensor[1,3]=100 对tensor中第一行第三列的位置进行赋值100

import torch
import numpy as np
ret = torch.tensor(np.arange(12).reshape(3, 4))
print(ret)
ret[0, 2] = 100
print(ret[:2])

  • tensor的切片

import torch
import numpy as np
ret = torch.tensor(np.arange(12).reshape(3, 4))
print(ret)
print(ret[:, 2])

4. tensor的数据类型

tensor中的数据类型非常多，常见类型如下：

上图中的Tensor types表示这种type的tensor是其实例

  • 获取tensor的数据类型:tensor.dtype

    import torch
import numpy as np
ret = torch.tensor(np.arange(12).reshape(3, 4))
print(ret)
print(ret.dtype)

  • 创建数据的时候指定类型

    import torch
ret = torch.ones([2, 3], dtype=torch.float32)
print(ret)
print(ret.dtype)

  • 类型的修改

    import torch
ret = torch.ones([2, 3], dtype=torch.float32)
print(ret)
print(ret.type(torch.int32))
print(ret.dtype)
print(ret.double())
print(ret.dtype)

  • Torch Tensor和Numpy array之间的相互转换

  • Torch Tensor和Numpy array共享底层的内存空间, 因此改变其中一个的值, 另一个也会随之被改变.

  • 注意:
    • 所有在CPU上的Tensors, 除了CharTensor, 都可以转换为Numpy array并可以反向转换.

5. tensor的其他操作

  • tensor和tensor相加

import torch
x = torch.ones([2, 3], dtype=torch.float32)
y = torch.randn(2, 3)
print(x)
print(y)
print(x + y)

import torch
x = torch.ones([2, 3], dtype=torch.float32)
y = torch.randn(2, 3)
print(x)
print(y)
print(torch.add(x, y))


import torch
x = torch.ones([2, 3], dtype=torch.float32)
y = torch.randn(2, 3)
print(x)
print(y)
print(x.add(y))
print(x)
print(y)


import torch
x = torch.ones([2, 3], dtype=torch.float32)
y = torch.randn(2, 3)
print(x)
print(y)
print(x.add_(y))  # 带下划线的方法会对x进行就地修改
print(x)
print(y)

注意：带下划线的方法（比如:add_)会对tensor进行就地修改

  • tensor和数字操作

    import torch
x = torch.ones([2, 3], dtype=torch.float32)
y = 10
print(x)
print(x + y)

  • 注意:
    • 所有in-place的操作函数都有一个下划线的后缀.
    • 比如x.copy_(y), x.add_(y), 都会直接改变x的值.

  • tensor的另外一种加法操作

  • CUDA中的tensor

    CUDA（Compute Unified Device Architecture），是NVIDIA推出的运算平台。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。

    torch.cuda这个模块增加了对CUDA tensor的支持，能够在cpu和gpu上使用相同的方法操作tensor

    通过.to方法能够把一个tensor转移到另外一个设备(比如从CPU转到GPU)

  • import torch
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")  # 判断当前电脑是否支持GPU计算
print(device)
#  # 如果服务器上已经安装了GPU和CUDA
if torch.cuda.is_available():
    device = torch.device("cuda")  # cuda device对象
    y = torch.ones([3, 4], device=device)  # 创建一个在cuda上的tensor
    x = y.to(device)  # 使用方法把x转为cuda 的tensor
    # # x和y都在GPU上面, 才能支持加法运算
    z = x + y
    print(z)  # 此处的张量z在GPU上面
    print(z.to("cpu", torch.double))  # .to方法也能够同时设置类型
else:
    print("I am cpu")

# print(torch.tensor([1.9806], device='cuda:0'))
# print(torch.tensor([1.9806], dtype=torch.float64))

通过前面的学习，可以发现torch的各种操作几乎和numpy一样

IT之一小佬
关注
  • 2
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Pytorch-学习记录 卷积操作——Tensor.size()
a132582的博客
11-28 4万+
设计网络结构、看网络结构源码时时常需要计算输入在结构中经过卷积层、pooling层后尺寸大小，特此记录。 pytorch中二维卷积层接口为 Conv2d() ，参数详情不多赘述，详情请参阅官方文档。我在此主要说明卷积层对输入计算之后size的变化情况。 例如， 卷积层的in_channels首先要与input的channels相对应，具体到上例，就是黑色和蓝色框所对应的部分。out_
关于pytorch中的tensor用法总结（好办法分享给大家）
weixin_69334636的博客
03-17 2509
张量类型 类型 - torch.FloatTensor/torch.float32：单精度浮点型tensor，即32位浮点型。 - torch.DoubleTensor/torch.float64：双精度浮点型tensor，即64位浮点型。 - torch.HalfTensor/torch.float16：半精度浮点型tensor，即16位浮点型。 - torch.ByteTensor/torch.uint8：无符号8位整型tensor。 - torch.CharTensor/torch.int8：有
深入理解PyTorch：原理与使用指南
最新发布
Aaron_945的博客
06-27 1524
本文介绍了PyTorch的底层原理和使用方法，包括动态计算图、自动微分、张量计算和高效的并行计算等特性。同时，我们还通过实例展示了如何使用PyTorch进行环境配置、数据加载、模型构建、训练和验证等步骤。希望本文能够帮助读者更好地理解和应用PyTorch，从而在深度学习和机器学习的道路上走得更远。
Pytorch的tensor基本操作
Swayzzu的博客
11-01 1370
目录 一、tensor的创建 1.使用tensor 2.使用Tensor 3.随机初始化 4.其他数据生成 ①torch.full ②torch.arange ③linspace和logspace ④ones, zeros, eye ⑤torch.randperm 二、tensor的索引与切片 1.索引与切片使用方法 ①index_select ②... ③mask 三、tensor维度的变换 1.维度变换 ①torch.view ②squeeze/unsqueez
Pytorch张量（Tensor）基本介绍与使用
zwy_697198的博客
04-14 6495
文章目录 前言 一、Pytorch张量与数据类型 1.生成随机矩阵 2.查看随机矩阵规模 3.Tensor（张量）基本数据类型及其转换 二、张量运算与形状变换 1.Tensor（张量）计算原则 2.Tensor（张量）形状变换 三、张量微分运算 1.张量的自动微分 2. 设置Tensor不可跟踪计算（测试集常用） 3.就地改变Tensor（张量）变量的requires_grad值
PyTorch整理(一)：tensor
想要上南大的同学的博客
11-16 1036
1 张量 张量是一种特殊的数据结构，与数组和矩阵非常相似。在 PyTorch 中，我们使用张量对模型的输入和输出以及模型的参数进行编码。 张量类似于NumPy 的ndarray，不同之处在于张量可以在 GPU 或其他硬件加速器上运行。事实上，张量和 NumPy 数组通常可以共享相同的底层内存，从而无需复制数据（参见Bridge with NumPy）。张量也针对自动微分进行了优化（我们将在后面的Autograd 部分看到更多相关信息）。如果您熟悉 ndarrays，那么您将熟悉 Tensor API。如果没
pytorch中tensor张量数据类型的转化方式
09-18
例如，`torch.Tensor.numpy()`方法将PyTorch张量转换为NumPy数组，而`torch.from_numpy()`函数则将NumPy数组转化为PyTorch张量。需要注意的是，如果张量是CPU上的，则转换过程几乎是零拷贝的，提高了效率。 示例：...
pytorch改变tensor维度 - Python-PyTorch reshape Tensor维度
11-25
在PyTorch中，改变张量（Tensor）的维度是常见的操作，这在处理神经网络中的数据时尤其重要...总的来说，掌握这些PyTorch张量维度变换方法，能够帮助开发者更高效、灵活地处理数据，从而更好地构建和优化深度学习模型。
pytorch 实现张量tensor,图片,CPU,GPU,数组等的转换
09-18
PyTorch张量与NumPy数组之间可以无缝转换。`b = a.numpy()`将张量转换为NumPy数组，而`a = b.from_numpy()`则将数组转换回张量。这种转换使得在PyTorch和NumPy库间进行数据处理变得非常方便。 4. **保存GPU张量为...
pytorch 获取tensor维度信息示例
09-18
总的来说，掌握如何获取和理解`Tensor`的维度信息是使用PyTorch进行深度学习的基础。通过`size()`方法或`shape`属性，你可以轻松地检查和处理张量的形状，从而确保你的模型能够正确无误地运行。在编写和调试代码时，...
PyTorch中Tensor的数据统计示例
09-17
### PyTorch中Tensor的数据统计详解 #### 引言 PyTorch作为一款强大的机器学习框架，被广泛应用于深度学习领域。它提供了丰富的API来处理数据，并且支持大量的数学运算，其中Tensor是其核心数据结构之一。对于数据...
pytorch入门之Tensor和Variable
qq_35571432的博客
05-15 2545
pytorch入门之Tensor tensor是什么 Tensor译为张量。我的理解Tensor和多维数组比较相似。当维度为0时就是常量，为1时是向量。和Tensorflow一样，pytorch也使用torch作为数据格式。 在pytorch中，tensor可以和ndarray（numpy中）相互转换，而且pytorch中的tensor可以方便的放到GPU上进行计算。 使用tensor pytor...
Pytorch实用教程：Pytorch中tensor.size()用法 | .squeeze()方法 | .unsqueeze()方法
惊鸿若梦一书生
04-07 1332
在 PyTorch 中，`tensor.size(0)` 是用来获取张量（Tensor）第一个维度的大小的一种方法。这里的“0”指的是第一个维度的索引，因为在 Python 和 PyTorch 中索引是从 0 开始的。换句话说，`size(0)` 返回的是张量在其第一个维度上的元素个数。
pytorch输出tensor的size
热门推荐
albus_ma的博客
05-05 2万+
在调试工作中 print( list( out2.size() ) ) 就会以列表的形式输出该张量的大小
pytorch教程1----tensor张量
weixin_43587056的博客
05-22 121
张量类似于 NumPy 的 ndarray，张量可以在 GPU 或其他专用硬件来加速计算。
pytorch根据tensor.Size 创建tensor-----torch.FloatTensor()
qq_29007291的博客
12-27 1万+
类型转换, 将list ,numpy转化为tensor。 以list -> tensor为例： print(torch.FloatTensor([1,2])) # 输出: tensor([1., 2.]) 根据torch.Size()创建一个空tensor a = torch.tensor([[1, 2], [3, 4]]) print(torch.FloatTenso...
【PyTorch】获取Tensor大小，size与shape的区别
算法与编程之美
08-20 6869
Tensor是PyTorch的重要概念之一，获取Tensor的大小的方法主要有两种，其一是size，其二是shape，那么两种方法的区别是什么呢？
pytorch(2)Tensor创建和获取tensor的size信息、torch.dtype、torch.device、torch.layout
凝眸伏笔的博客
11-08 6535
创建tensor 直接创建 torch.tensor(data, dtype=None, device=None,requires_grad=False) data - 可以是list, tuple, numpy array, scalar或其他类型 dtype - 可以返回想要的tensor类型 device - 可以指定返回的设备 requires_grad - 可以指定是否进行记录图的操作，默认为False 需要注意的是，torch.tensor 总是会复制 data, 如果你想避免复制，
【1】深度学习之Pytorch——张量（tensor）的尺寸、储存偏移及步长等基本概念
迷茫与徘徊只会让你陷入绝境，欢迎私信博主，带你开始提升变现价值！
02-04 5259
这和我们python里面的numpy差不多的，多维数组如何索引，以及相关的概念，如果拥有线性代数的基础，你可以知道什么叫做矩阵，以及这一系列的相关操作，就可以理解这些概念。最开始的张量我们可以看到它是一个，一个数组里面包含2个数组，而这个单独的2个数组里面又包含3个蛋到户的数，那么现在互换维度就是，原来的一个大数组里面包含3个数组，这三个单独的数组里面又包含2个数。如果不是很理解这个，transpose（，2）和transpose（2,1）都是差不多的，互换维度，这里的互换维度到底是什么意思。
pytorch的tensor怎么使用
02-15
PyTorch 的 Tensor 是张量（多维数组）的数学抽象，与 Numpy 数组类似。下面是如何使用 PyTorch Tensor 的一些示例： 1. 创建 Tensor： ``` import torch # 创建一个数字为 1 的 1 维 Tensor a = torch.tensor(1) # 创建一个数组为 [1, 2, 3] 的 1 维 Tensor b = torch.tensor([1, 2, 3]) # 创建一个形状为 (3, 3)，数字全为 0 的 2 维 Tensor c = torch.zeros(3, 3) # 创建一个形状为 (3, 3)，数字全为 1 的 2 维 Tensor d = torch.ones(3, 3) # 创建一个形状为 (3, 3)，数字随机的 2 维 Tensor e = torch.rand(3, 3) ``` 2. Tensor 的运算： ``` a = torch.tensor([1, 2, 3]) b = torch.tensor([4, 5, 6]) # 加法运算 c = a + b # 乘法运算 d = a * b # 张量的平方 e = a ** 2 # 张量的平均值 f = a.mean() ``` 3. Tensor 与 Numpy 的转换： ``` import numpy as np # Tensor 转 Numpy a = torch.tensor([1, 2, 3]) b = a.numpy() # Numpy 转 Tensor c = np.array([1, 2, 3]) d = torch.from_numpy(c) ``` 以上只是 PyTorch Tensor 的基本使用方法，更详细的内容可以参考 PyTorch 官方文档：https://pytorch.org/docs/stable/tensors.html。
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
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