文章目录
Pytorch初始使用
1、Tensor
Tensor(张量是一个统称,其中包括很多类型):
- 0阶张量:标量、常数、0-D Tensor;
- 1阶张量:向量、1-D Tensor;
- 2阶张量:矩阵、2-D Tensor;
- ……
2、Pytorch如何创建张量
2.1 创建张量
import torch
t = torch.Tensor([1, 2, 3])
print(t)
2.2 tensor与ndarray的关系
两者之间可以相互转化
import torch
import numpy as np
t1 = np.array(torch.Tensor([[1, 2, 3],
[1, 2, 3]]))
t2 = torch.Tensor(np.array([[1, 2, 3],
[1, 2, 3]]))
运行结果:
2.3 常用api
torch.empty(x,y)
创建x行y列为空的tensor。
torch.ones([x, y])
创建x行y列全为1的tensor。
torch.zeros([x,y])
创建x行y列全为0的temsor。
zeros与empty的区别
- 后者的数据类型是不固定的。
torch.rand(x, y)
创建3行4列的随机数,随机数是0-1。
torch.randint(low, high, size)
创建一个size的tensor,随机数为low到high之间。
torch.randn([x, y])
创建一个x行y列的tensor,随机数的分布式均值为0,方差1。
2.4 常用方法
item():
获取tensor中的元素,注意只有
一个元素
的时候才可以用。
numpy():
转化成
ndarray
类型。
size()
获取tensor的
形状
。
view()
浅拷贝
,tensor的形状改变
。
- 可以传参,表示获取第几个。
- 若参数为-1,表示不确定,与另一个参数的乘积等于原始形状的乘积。
- 例如:原始形状为8,则
view(-1,2)
⇒view(4, 2)
;- 参数只有-1,表示一维。
dim()
获取维度。
max()
获取最大值。
t()
转置。
transpose(x,y)
x,y是size里面返回的形状相换。
permute()
传入size()返回的形状的顺序。
transpose与permute的区别
- 前者传入列即可相互交换;
- 后者传入列会根据传入的顺序来进行转化,且需要传入所有列数的索引。
取值[第一阶, 第二阶,……]
- 一个逗号隔开代表一个阶乘
- 冒号代表全取
赋值[第一阶, 第二阶,……]
直接赋值即可
4、数据类型
4.1 获取数据类型
tensor.dtype
获取数据类型
设置数据类型
注意使用
Tensor()
不能指定数据类型。
type()
修改
数据类型。
5、tensor的其他操作
5.1 相加
torch.add(x, y)
将x和y
相加
。
直接相加
tensor.add()
使用
add_()
可相加后直接保存在tensor中
5.2 tensor与数字的操作
tensor + 数值
6、CUDA中的tensor
CUDA
(Compute Unified Device Architecture),是NVIDIA推出的运算平台。CUDATM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)
可以使用
torch.cuda.is_available()
判断电脑是否支持GPU