Pytorch 张量

最新推荐文章于 2024-08-29 09:53:07 发布

JoengGaap

最新推荐文章于 2024-08-29 09:53:07 发布

阅读量1.8k

点赞数

分类专栏： Pytorch 文章标签： pytorch 深度学习 python

本文链接：https://blog.csdn.net/weixin_44918105/article/details/123369605

版权

Pytorch 专栏收录该内容

2 篇文章 0 订阅

订阅专栏

这篇博客介绍了在PyTorch中如何初始化张量，包括直接转换、从numpy数组创建以及通过随机或常数值生成。同时展示了张量的属性，如形状、数据类型和存储设备，并详细阐述了PyTorch张量与numpy数组之间的无缝桥接，说明了修改一方会直接影响另一方的特性。

摘要由CSDN通过智能技术生成

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。

张量初始化

import torch
import numpy as np
#初始化
#直接数据转张量
data=[[1,2],[3,4]]
x_data=torch.tensor(data)
#numpy数组转张量
np_array=np.array(data)
x_np=torch.from_numpy(np_array)
#从另一个张量中来
x_ones=torch.ones_like(x_data)#根据给定张量生成与其形状相同的全1张量,x_ones=tensor([[1, 1],[1, 1]])
print(f"Ones Tensor:\n{x_ones}\n")
x_rand=torch.rand_like(x_data,dtype=torch.float)#根据给定张量生成与其形状相同的随机张量，x_ones= tensor([[0.4621, 0.1440],[0.6105, 0.6398]])
print(f"Random Tensor:\n{x_rand}\n")
#使用随机或恒定值
shape = (2, 3,)
rand_tensor = torch.rand(shape)
ones_tensor = torch.ones(shape)
zeros_tensor = torch.zeros(shape)

print(f"Random Tensor: \n {rand_tensor} \n")
print(f"Ones Tensor: \n {ones_tensor} \n")
print(f"Zeros Tensor: \n {zeros_tensor}")

Ones Tensor:
tensor([[1, 1],
        [1, 1]])

Random Tensor:
tensor([[0.7534, 0.7931],
        [0.6865, 0.4835]])

Random Tensor: 
 tensor([[0.9617, 0.6932, 0.2289],
        [0.1303, 0.1489, 0.2075]]) 

Ones Tensor: 
 tensor([[1., 1., 1.],
        [1., 1., 1.]]) 

Zeros Tensor: 
 tensor([[0., 0., 0.],
        [0., 0., 0.]])

Process finished with exit code 0

张量属性

#张量属性，包括形状，数据类型和存储设备
tensor = torch.rand(3, 4)

print(f"Shape of tensor: {tensor.shape}")
print(f"Datatype of tensor: {tensor.dtype}")
print(f"Device tensor is stored on: {tensor.device}")

Shape of tensor: torch.Size([3, 4])
Datatype of tensor: torch.float32
Device tensor is stored on: cpu

与numpy的连接

#torch与numpy的桥接，torch和numpy共享底层内存位置，改变一个会改变另一个
t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")
t.add_(1)
print(f"t: {t}")
print(f"n: {n}")
n = np.ones(5)
t = torch.from_numpy(n)
np.add(n, 1, out=n)
print(f"t: {t}")
print(f"n: {n}")

t: tensor([1., 1., 1., 1., 1.])
n: [1. 1. 1. 1. 1.]
t: tensor([2., 2., 2., 2., 2.])
n: [2. 2. 2. 2. 2.]
t: tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
n: [2. 2. 2. 2. 2.]