Pytorch代码基础—张量

Pytorch代码—张量

Pytorch张量

张量的属性：

• data：被包装的Tensor
• grad：data的梯度
• grad_fn:创建Tensor的Function，是自动求导的关键
• requires_grad：指示是否需要梯度
• isleaf：指示是否是叶子结点（张量）
• dtype:张量的数据类型，如 torch.FloatTensor，torch.cuda.FloatTensor
• shape：张量的形状，如（64，3，224，224）
• device：张量所在设备，GPU/CPU，是加速的关键

张量的创建

直接创建

1.方式一

torch.tensor()

• data：数据，可以是list，numpy
• dtype：数据类型，默认与data的一致
• device：所在设备，cuda/cpu
• requires_grad：是否需要梯度
• pin_memory：是否存于锁页内存

依据数值进行创建

2. 方式二

torch.from_numpy(ndarray)
功能：从numpy创建tensonr
注意事项：从torch.from_numpy创建的tensor于原ndarray共享内存，当修改其中一个的数据，另外一个也将会被改动

即当numpy的数据发生变化时，张量的数据也发生改变

3. 方式三：创建全为0的张量

功能：依size创建全0张量

• size:张量的形状，如（3，3）、（3，224,224）
• out：输出的张量
• layout：内存中布局形式，有strided,sparse_coo等
• device：所在设备，gpu/cpu
• requires_grad：是否需要梯度

4. 方式四
   

功能：依input形状创建全0张量

• intput：创建与input同形状的全o张量
• dtype：数据类型
• layout：内存中布局形式

torch.full()

功能：依input形状创建指定数据的张量

• size：张量的形状，如（3，3）
• fillvalue：张量的值

功能：创建等差的1维张量 注意事项：数值区间为[start，end】

• start：数列起始值
• end：数列结束值
• step：数列公差，默认为1

功能：创建均分的1维张量

• start：数列起始值
• end：数列结束值
• steps：数列长度

功能：创建对数均分的1维张量

• start：数列起始值
• end：数列结束值
• steps：数列长度
• base：对数函数的底，默认为10

根据概率分布来进行创建

功能：生成正态分布（高斯分布）

• mean：均值
• std：标准差

功能：生成标准正态分布

• size：张量的形状

张量的操作

张量的合并与切分

torch.cat()

功能：将张量按维度dim进行拼接

• tensors：张量序列
• dim：要拼接的维度

torch.stack()

功能：在新创建的维度dim上进行拼接

• tensors:张量序列
• dim：要拼接的维度

功能：将张量按维 度d im 进行切分 返回值：张量列表

• tensor : 要切分的张量
• split_size_or_sections : 为int时表示每一份的长度；为 list时 ， 按list元素切分
• dim : 要切分的维度

张量索引

功能：在维度dim上，按index索引数据返回值：依index索引数据拼接的张量

• input：要索引的张量
• dim：要索引的维度
• index：要索引数据的序号

张量变换

• input：要变换的张量
• shape：新张量的形状

功能：交换张量的两个维度

• input：要变换的张量
• dim0：要交换的维度
• dim1：要交换的维度

torch.sgueeze()

功能：压缩长度为1的维度（轴）

• dim：若为None，移除所有长度为1的轴；若指定维度，当且仅当该轴长度为1时，可以被移除；

torch.unsgueeze()

功能：依据dim扩展维度

• dim：扩展的维度

总结

pytorch的学习过程，应该在熟悉理论知识的基础上，结合官网文档和其他资料的基础上进行具体方法的时间，在时间的堆积，和项目的锻炼中才能进一步的提升熟练度。