004.Pytorch框架CV开发（Pytorch的基础操作的基础操作）

小王努力变强

已于 2025-05-22 13:05:01 修改

阅读量798

点赞数 29

分类专栏： Pytorch 文章标签： pytorch 人工智能 python

于 2025-05-22 11:56:11 首次发布

本文链接：https://blog.csdn.net/weixin_51185242/article/details/148122375

版权

Pytorch 专栏收录该内容

6 篇文章

订阅专栏

Pytorch的基础操作

定义常量与变量

1.torch.tensor（）

torch.tensor是 PyTorch 中创建张量的常用方法，它可以从 Python 的列表、元组或其他类型的数据结构创建一个新的张量。张量是多维数组，在深度学习中用于存储和操作数据。

在PyTorch中，常量可以通过直接赋值来定义，而变量则通过torch.tensor或torch.Tensor来创建。torch.tensor是推荐的方式，因为它会自动推断数据类型。
import torch

# 定义常量
constant = 5

# 定义变量
variable = torch.tensor([1, 2, 3])


# 创建一个一维张量
tensor1 = torch.tensor([1, 2, 3, 4])
print(tensor1)

# 创建一个二维张量
tensor2 = torch.tensor([[1, 2], [3, 4]])
print(tensor2)
PyTorch 中张量操作的一些基本API

1. 创建张量（Tensor Creation）
torch.tensor(data)：从数据创建张量。
x = torch.tensor([1, 2, 3])
torch.zeros(size)：创建一个指定形状的全零张量。
x = torch.zeros(2, 3) # 2x3的全零张量
torch.ones(size)：创建一个指定形状的全一张量。
x = torch.ones(2, 3) # 2x3的全一张量
torch.rand(size)：创建一个指定形状的张量，元素值在[0, 1)之间均匀分布。
x = torch.rand(2, 3)
torch.randn(size)：创建一个指定形状的张量，元素值符合标准正态分布（均值为0，方差为1）。
x = torch.randn(2, 3)
2. 查看和操作张量形状
x.size() 或 x.shape：返回张量的形状。
x = torch.randn(2, 3) 
print(x.size()) # 输出：torch.Size([2, 3])
x.view(new_shape)：改变张量的形状（类似 NumPy 的 reshape）。注意事项：

view() 返回一个新的张量，原张量不会被修改。

view() 必须保持元素总数不变，即重塑后的张量和原张量的元素总数必须相等。

如果你不确定某一维度的大小，可以使用 -1 作为占位符，让 PyTorch 自动推算出
x = torch.randn(2, 3) 
#三种都一个意思
y = x.view(3, 2) # 变换形状
y = x.view(3, -1) # 变换形状
y = x.view(-1, 2) # 变换形状
x.transpose(0, 1)：交换张量的维度。（大部分用于二维数组）
x = torch.randn(2, 3) 
y = x.transpose(0, 1) # 交换维度
torch.permute(*dims)：张量的矩阵转置（高维度）可以接受多个维度索引 *dims 是一个包含所有维度新顺序的整数序列。
import torch

# 创建一个形状为 (2, 3, 4) 的 3D 张量
x = torch.randn(2, 3, 4)

# 重新排列维度顺序为 (2, 0, 1)
y = x.permute(2, 0, 1)

print(x.shape)  # 输出: torch.Size([2, 3, 4])
print(y.shape)  # 输出: torch.Size([4, 2, 3])

Tensor与numpy的相互转换

PyTorch的Tensor可以与NumPy数组相互转换。使用numpy()方法将Tensor转换为NumPy数组，使用torch.from_numpy()将NumPy数组转换为Tensor。
import numpy as np

# Tensor转NumPy
tensor = torch.tensor([1, 2, 3])
numpy_array = tensor.numpy()

# NumPy转Tensor
numpy_array = np.array([1, 2, 3])
tensor = torch.from_numpy(numpy_array)

reshape与最大值索引

reshape用于改变Tensor的形状，argmax用于获取最大值的索引。
tensor = torch.tensor([[1, 2, 3], [4, 5, 6]])

# reshape
reshaped_tensor = tensor.reshape(3, 2)

# 最大值索引
max_index = torch.argmax(tensor)

随机数据生成

PyTorch提供了多种生成随机数据的方法，如torch.rand、torch.randn、torch.randint等。
# 生成0到1之间的随机数
random_tensor = torch.rand(2, 3)

# 生成标准正态分布的随机数
normal_tensor = torch.randn(2, 3)

# 生成指定范围的随机整数
int_tensor = torch.randint(0, 10, (2, 3))

基本算数操作

PyTorch支持基本的算数操作，如加法、减法、乘法、除法等。
import torch as t
a = t.tensor([1, 2, 3])
b = t.tensor([4, 5, 6])

# 加法
c = a + b

# 乘法
d = a * b

print(c)  #输出 tensor([5, 7, 9])
print(d)  #输出 tensor([ 4, 10, 18])

     

基本卷积操作

卷积操作是深度学习中常用的操作，PyTorch提供了torch.nn.functional.conv2d来实现卷积。
import torch.nn.functional as F

# 输入和卷积核
input = torch.randn(1, 1, 5, 5)
kernel = torch.randn(1, 1, 3, 3)

# 卷积操作
output = F.conv2d(input, kernel)

GPU检测与支持

PyTorch支持GPU加速，可以通过torch.cuda.is_available()检测是否有可用的GPU，并使用to('cuda')将Tensor移动到GPU上。
# 检测GPU是否可用
if torch.cuda.is_available():
    device = torch.device('cuda')
else:
    device = torch.device('cpu')

# 将Tensor移动到GPU
tensor = torch.tensor([1, 2, 3]).to(device)

网格化与cat

torch.meshgrid用于生成网格坐标，torch.cat用于沿指定维度拼接Tensor。
# 生成网格坐标
x = torch.tensor([1, 2, 3])
y = torch.tensor([4, 5, 6])
grid_x, grid_y = torch.meshgrid(x, y)

# 拼接Tensor
a = torch.tensor([[1, 2], [3, 4]])
b = torch.tensor([[5, 6], [7, 8]])
c = torch.cat((a, b), dim=0)