PyTorch中tensor的相关操作

最新推荐文章于 2024-06-22 23:35:39 发布
最新推荐文章于 2024-06-22 23:35:39 发布
阅读量2.6k 收藏 8
点赞数 2
分类专栏： 深度学习 文章标签： pytorch 深度学习 经验分享 机器学习 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/z1282429194/article/details/123362468
版权

PyTorch中tensor的相关操作

list、numpy、tensor两两之间的相关转换

list 转 numpy

ndarray = np.array(list)

# 具体例子如下
import numpy as np
a_list  = [1, 2, 3]
a_np  = np.array(a_list)

numpy 转 list

list = ndarray.tolist()

#具体例子如下所示
import numpy as np
a_list  = [1, 2, 3]
a_np  = np.array(a_list)
a_to_list = a_np.tolist()

用numpy创建tensor

tensor = torch.from_numpy(np.zeros(r, c))

row = 2
column = 3
a_tensor = torch.from_numpy(np.zeros((row,column)))

## 将创建好的tensor分配到指定的设备中
os.environ['CUDA_VISIBLE_DEVICES'] = '0, 1'
device = 'cuda' if torch.cuda.is_available() else 'cpu'
a_tensor_device = a_tensora_tensor.to(device)
# 此处是将a_tensor分配到cuda 0 和1

list 转 torch.Tensor

tensor=torch.Tensor(list)

a_tensor =torch.Tensor(a_list)

torch.Tensor 转 list

Tensor不可直接转换为list ， 需要先转换为numpy，然后在转换为list
list = tensor.numpy().tolist()

a_list = a_tensor.numpy().tolist()

torch.Tensor 转换为numpy

ndarray = tensor.numpy()
gpu上的tensor不能直接转为numpy
ndarray = tensor.cpu().numpy()

# 普通的tensor转换为numpy
a_np = a_tensor.numpy()

# GPU上的tensor转换为numpy
a_np_gpu = a_tensor.cpu().numpy()

tensor(PyTorch)的一些基本操作

tensor 设置数据类型

import torch
a = [1, 2, 3, 5]
b = [1.2, 3.3, 5.6]
da = torch.tensor(a) # 此时da的数据是tensor.int64的类型，此时是默认的数据类型
db =torch.tensor(b) # 此时db的数据是tensor.float32的类型，此时是默认的数据类型

daa = torch.tensor(a, dtype = torch.long) # 此时da的数据是tensor.int64的类型，这是指定的数据类型
# 在指定数据类型时要注意：
#      1. 若是原本数据是整数，则指定为整数型和浮点型都没问题
#      2. 若是原本数据是小数，则指定为浮点型数据时没有问题，但是在指定为整数型会出现问题，直接将数字的小数部分直接丢掉，而只保留整数部分

在这里插入图片描述

tensor 创建注意的几个Tips

  • torch.rand 和 torch.randn是两个不同的分布函数的随机数创建。
    • torch.rand：返回一个张量，包含了从区间[0, 1)的均匀分布中抽取的一组随机数
    • torch.randn：返回一个张量，包含了从标准正态分布（均值为0，方差为1，即高斯白噪声）中抽取的一组随机数
# 具体例子如下所示：
import torch
a = torch.rand(1,2)
a
# output: tensor([[0.7504, 0.5853]])
b = torch.randn(1,2)
b
#output: tensor([[-0.3798,  0.0115]])
  • torch.normal创建
    torch.normal创建的是符合离散正态分布随机数，可以指定均值和方差。
# 具体例子如下所示
torch.normal(2, 3, size=(1, 4))
# 2：表示mean
# 3：表示std
# size=(1, 4)：表示输出tensor的维度大小
  • torch.full创建
    torch.full创建任意指定维度而且指定值的tensor。
# 具体例子如下所示：
import torch
x=torch.full((2,3),1.2,dtype=torch.float)
x
# output: tensor([[1.2000, 1.2000, 1.2000],
                            [1.2000, 1.2000, 1.2000]])
# (2,3)：表示指定生成tensor的维度，这里只是二维，当然可以更高维
# 1.2：表示指定的值
# dtype=torch.float：表示生成的数据的类型

单个元素tensor取值

单个元素tensor取值可以使用Tensor.item()

import torch
x = torch.randn(1)
y = x.item()
print('x: {}'.format(x))
print('y: {}'.format(y))
# output
# x: tensor([-1.4665])
# y: -1.4664647579193115

不同维度tensor最大值（最小值）的选择

torch.max, torch.min不仅会返回最大值、最小值，而且在指定的维度会返回其对应的位置，但是不指定维度直接使用只会返回最大值、最小值。torch.max和torch.min用法一样，只是一个是求最大值，一个是求最小值。

# 具体以torch.max为例
import torch
a = torch.randn(2,10)
a
# output：
# tensor([[ 1.3100e+00, -3.4182e-01, -5.7281e-02, -4.9519e-04,  6.6183e-01,
#         -5.5695e-01, -9.3556e-01,  3.4168e-01,  8.3933e-01, -9.3372e-01],
#         [-6.6425e-01,  3.1085e-01,  1.9820e+00, -3.6192e-01,  2.3477e-01,
 #          5.9145e-02,  7.1136e-01,  6.0131e-01,  1.9997e+00,  2.6330e+00]])
torch.max(a)
# output：
# tensor(2.6330)
a = torch.randn(2,3,4,3) # 2*3*4*3： N*C*H*W
a
torch.max(a, 0) # 在N这个维度上进行比较大小去最大值，并且返回其位置（是N中的哪一个）
# output:
# torch.return_types.max(
# values=tensor([[[-0.0233,  0.6172,  1.1725],
#          [-0.0720, -0.7014,  0.2533],
#          [ 0.5254,  1.6286, -0.6081],
#          [ 0.7030, -0.7195, -0.3218]],

#         [[-0.2194, -0.5759,  1.6942],
#          [-0.1742, -0.2742,  1.3223],
#          [ 2.0272,  0.9716,  2.2349],
#          [-0.6161,  0.6193,  1.1204]],

#         [[ 0.3826, -0.4263,  0.4860],
#          [ 0.1900, -0.2935,  0.2704],
#          [ 0.4831,  0.6423,  1.3739],
#          [-0.1392, -0.3983,  0.8989]]]),
# indices=tensor([[[0, 0, 0],
#          [0, 0, 1],
#          [1, 0, 0],
#          [1, 0, 0]],

#         [[1, 1, 0],
#          [1, 0, 1],
#          [0, 1, 0],
#          [1, 1, 1]],

#         [[1, 0, 1],
#          [0, 1, 0],
#          [1, 1, 1],
#          [1, 0, 1]]]))
torch.max(a, 1) # 在C这个维度上进行比较大小去最大值，并且返回其位置（是C中的哪一个，每个N中分别比较）
# output：
# torch.return_types.max(
# values=tensor([[[-0.0233,  0.6172,  1.6942],
#          [ 0.1900, -0.2742,  0.2704],
#          [ 2.0272,  1.6286,  2.2349],
#          [-1.3326, -0.3983,  0.4357]],

#         [[ 0.3826, -0.2523,  0.4860],
#          [-0.1742, -0.2935,  1.3223],
#          [ 0.5254,  0.9716,  1.3739],
#          [ 0.7030,  0.6193,  1.1204]]]),
# indices=tensor([[[0, 0, 1],
#          [2, 1, 2],
#          [1, 0, 1],
#          [2, 2, 1]],

#         [[2, 0, 2],
#          [1, 2, 1],
#          [0, 1, 2],
#          [0, 1, 1]]]))
torch.max(a, 2) # 在H这个维度上进行比较大小去最大值，并且返回其位置（是H中的哪一个，每个N中分别比较）
# output：
# torch.return_types.max(
# values=tensor([[[-0.0233,  1.6286,  1.1725],
#          [ 2.0272, -0.2742,  2.2349],
#          [ 0.1900, -0.3983,  0.2704]],

#         [[ 0.7030, -0.2523,  0.2625],
#          [-0.1742,  0.9716,  1.3223],
#          [ 0.4831,  0.6423,  1.3739]]]),
# indices=tensor([[[0, 2, 0],
#          [2, 1, 2],
#          [1, 3, 1]],

#         [[3, 0, 0],
#          [1, 2, 1],
#          [2, 2, 2]]]))
torch.max(a, 3) # 在W这个维度上进行比较大小去最大值，并且返回其位置（是W中的哪一个，每个N中分别比较）
# output:
# torch.return_types.max(
# values=tensor([[[ 1.1725, -0.0720,  1.6286, -0.3218],
#          [ 1.6942, -0.2742,  2.2349,  0.4357],
#          [-0.4263,  0.2704,  0.1508, -0.3983]],

#         [[ 0.2625,  0.2533,  0.5254,  0.7030],
#          [ 0.3899,  1.3223,  1.0412,  1.1204],
#          [ 0.4860, -0.2935,  1.3739,  0.8989]]]),
# indices=tensor([[[2, 0, 1, 2],
#          [2, 1, 2, 2],
#          [1, 2, 0, 1]],

#         [[2, 2, 0, 0],
#          [2, 2, 2, 2],
#          [2, 1, 2, 2]]]))

tensor 的拆分、拼接、加减乘除、乘方、开方、指数、对数、裁剪等操作

此处我就不写了，有份资料写的很详细：Pytorch张量高阶操作
注意：
直接使用torch.add(1)函数，张量的值会加1，但张量本身不会发生改变。而使用torch.add_(1)是直接在张量上进行加1操作，会改变张量的值。

tensor的切片和索引

tensor的切片和索引与numpy相同，可以参考：NumPy 切片和索引

几个和训练模型相关的pytorch的资料

以下的几份资料可以用作pytorch撰写神经网络模型的入门材料：

  1. PyTorch简明教程
  2. PyTorch深度学习：60分钟入门(Translation)
  3. torch的常用模块学习
    最后也是最好的资料：官方的教程

参考资料

小鬼漫步
关注
  • 2
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
PyTorch使用总览
AI之路
01-31 8134
深度学习框架训练模型时的代码主要包含数据读取、网络构建和其他设置三方面，基本上掌握这三方面就可以较为灵活地使用框架训练模型。PyTorch是Facebook的官方深度学习框架之一，到现在开源1年时间，势头非常猛，相信使用过的人都会被其轻便和快速等特点深深吸引，因此这篇博客从整体上介绍如何使用PyTorch。 PyTorch的官方github地址：https://github.com/pytorc
详解PyTorch中Tensor的高阶操作
09-18
本文主要探讨了PyTorch中Tensor的高阶操作，这些操作提供了更高级的数学和逻辑功能，有助于处理复杂的数学问题和神经网络计算。我们将详细介绍两个关键的高阶操作：`torch.where()`和`torch.gather()`。 1. **条件...
【Pytorch】Tensor的元素操作
zzy_NIC的博客
08-04 8853
Tensor的操作 Tensor的主要运算操作通常分为四大类： Reshaping operations（重塑操作） Element-wise operations（元素操作） Reduction operations（缩减操作） Access operations（访问操作） 元素操作 ​ 元素在张量中的位置由定位每个元素的索引决定，而元素操作是对张量元素的运算，这些张量元素在张量中对应或有相同的索引位置，这里需要重点强调的是，两个张量必须具有相同的形状才能执行一个元素操作，而具有相同的形状意味着张量
pytorch之tensor操作
weixin_44819348的博客
12-16 1094
pytorch作为深度学习最成功的开源框架之一，tensor（张量）是其最基本的数据结构，熟悉各种tensor的生成变换操作是继续学习pytorch的基础。 1.创建tensor torch.eye(n ,m=None, out=None)，返回一个2张量，对角线为1，其它全0。 torch.from_numpy(naddary)，将numpy.ndarray转换成Tensor，注意，转换后生成的Tensor跟原ndarray共享一块内存空间。 torch.linespace(start, end, st
tensor的创建和tensor内部的数据类型转换和tensor常见的几个方法属性
最新发布
weixin_51340013的博客
06-22 361
1.在创建tensor时指定tensor的类型，有两种方法：（1）通过torch.LongTensor()、torch.IntTensor()、torch.ShortTensor()、torch.FloatTensor()、torch.DoubleTensor()等方法；（2）使用其他方法创建的tensor，比如torch.tensor()、torch.Tensor()、torch.zeros()、torch.ones()等，可以使用方法内部参数。
一、Tensor基础
beyond谚语的博客
10-21 4491
Tensor常用函数介绍
pytorch入门教程之(一)-新建tensor的几种方法
mbshqqb的博客
11-14 1184
新建tensor的几种方法 从list创建 a = torch.FloatTensor([2, 3.3]) # 尽量少用这种方式,容易和给shape的情况看混淆 b = torch.tensor([2, 3.3]) # 现有list时尽量用这种方式 注意小写的tensor只接受现有的数据；而大写的Tensor相当于就是FloatTensor，既可以接收现有的数据，也可以接受shape来创...
【动手学深度学习】Tensor数据操作
ccql's Blog
01-23 1617
Tensor数据操作 文章目录Tensor数据操作1. Tensor创建2. 索引3. 改变形状4. 广播机制5. 运算的存储机制6. Tensor和NumPy相互转换7. 梯度 1. Tensor创建 # 导入一些常用库 import torch from IPython import display from matplotlib import pyplot as plt import numpy as np import random import torch.nn as nn import torc
对Pytorch中Tensor的各种池化操作解析
09-18
本文将详细解析PyTorch中Tensor的几种池化操作。 1. **平均池化（Average Pooling）** 平均池化通过计算一个小窗口内的所有元素的平均值来得到输出值。在PyTorch中，`nn.AvgPool*`系列模块提供了不同维度的平均...
PyTorch中Tensor的维度变换实现
09-18
在PyTorch中，Tensor是核心数据结构，用于表示多维数组...无论是查看、变形、压缩还是解压缩Tensor的维度，这些操作都是PyTorch中处理数据的关键步骤。通过熟练运用这些方法，开发者可以更加流畅地编写模型和优化代码。
PyTorch中Tensor的数据统计示例
09-17
今天小编就为大家分享一篇PyTorch中Tensor的数据统计示例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
pytorch中tensor的合并与截取方法
09-20
今天小编就为大家分享一篇pytorch中tensor的合并与截取方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
pytorch如何向tensor结尾添加元素或维度--torch.cat()、torch.unsqueeze()的用法
liji_digital的博客
03-24 1700
0意味着新元素4将沿着1,5,0的方向连接下去。所以增加的是[[4,4,4]]，而不是[4,4,4]。原来p是沿着1,5,0 ----->增加的，这是p唯一的维度。unsqueeze之后，[1,5,0]成为p的第一个元素，下面可以再增加一个三元tensor，接在[1,5,0]后面。p--p含有三个变量，而torch,Tensor([4])显然只有一个变量。如下图，q已经是2行3列的tensor了，但是还可给它添加1行3列的[4,4,4]增加[4,4,4]：（注意，这里加入的其实是[[4,4,4]]）
Pytorch中Tensor的一些操作
qq_41131535的博客
06-19 6127
1 a = torch.rand(1,10,4)，生成的Tensor在0-1之间，且tensor的shape为（1,10,4） 2 torch.cat(tensors, dim=0, out=None) → Tensor >>> x = torch.randn(2, 3) >>> x tensor([[ 0.6580, -1.0969, -0.4614], ...
【torch】如何把把几个 tensor 连接起来？（含源代码）
wzk4869的博客
09-06 1766
【torch】如何把把几个 tensor 连接起来？（含源代码）
详解Tensor用法
weixin_43485035的博客
07-24 8836
Tensor的操作 张量的数据属性与 NumPy 数组类似，如下所示： 张量的操作主要包括张量的结构操作和张量的数学运算操作。 Tensor的结构操作包括：创建张量，查看属性，修改形状，指定设备，数据转换， 索引切片，广播机制，元素操作，归并操作； Tensor的数学运算包括：标量运算，向量运算，矩阵操作，比较操作。 未完待续。。。 ...
Tensorflow2——tensor where scatter_nd 在tensor的指定位置插入数据
weixin_43201090的博客
03-16 705
一、where tf.where( mask ) 根据给定的bool矩阵 返回值为true的坐标 tf.where(mask,A,B) 根据给定的bool矩阵，在true的坐标上放A矩阵对应坐标值 在false的坐标上放B矩阵对应坐标值 二、scatter_nd 在指定shape的tensor上 根据indices上 插入 update中的值 ...
pytorch的tensor操作
weixin_45091814的博客
05-19 327
创建tensor 1.from data 2.from numpy 3.ones_like,zeros_like,rand_like,ones,zeros,rand tensor的属性 shape，dtype，device tensor操作 1.元素相乘，tensor.mul(），tensor*tensor 2.矩阵相乘，tensor.matmul（tensor.T）,tensor @ tensor.T 3.从tensor到numpy， tensor.numpy()， tensor.data.numpy()
Pytorch 笔记——tensor
qq_40206371的博客
05-31 345
tensor和numpy中的ndarray很相似，唯一的不同是tensor可以应用在GPU上，来加速计算。 1 创建tensor randn 创建一个标准正态分布内随机的矩阵 zeros 全零矩阵 tensor 创建一个内容为参数的tensor linspace 同nump.
pytorch中TENSOR VIEWS的作用及操作
05-26
Tensor views在PyTorch中是一种非常有用的操作，它可以让我们对一个Tensor进行不同的视图操作，而不会改变它的数据本身。这个操作可以极大地减少内存的占用，同时也能够提高代码的效率。 在PyTorch中，我们可以使用以下方法创建Tensor views： 1. `view()`：这个方法可以改变Tensor的形状，但是新的Tensor必须和原来的Tensor包含相同的元素数目。如果你想要改变Tensor的形状，但是又不想改变Tensor的数据，那么view()方法就是你需要的。 2. `reshape()`：这个方法和view()方法很像，但是它可以改变Tensor的形状，即使新的Tensor和原来的Tensor包含不同数量的元素。如果你想要改变Tensor的形状，同时还想改变Tensor的数据，那么reshape()方法就是你需要的。 3. `narrow()`：这个方法可以让你从一个Tensor中选择一个子集，这个子集是一个连续的Tensor。你可以使用这个方法来实现切片操作。 4. `expand()`：这个方法可以让你将一个Tensor扩展成一个更大的Tensor，但是数据并不会被复制。 5. `transpose()`：这个方法可以让你将Tensor的维度交换。 下面是一些具体的操作示例： ```python import torch # 创建一个大小为（2, 3）的Tensor x = torch.tensor([[1, 2, 3], [4, 5, 6]]) # 使用view()方法创建一个视图 y = x.view(6) print(y) # 使用reshape()方法创建一个视图 z = x.reshape(3, 2) print(z) # 使用narrow()方法创建一个视图 w = x.narrow(1, 1, 2) print(w) # 使用expand()方法创建一个视图 u = x.expand(2, 3, 2) print(u) # 使用transpose()方法创建一个视图 v = x.transpose(0, 1) print(v) ``` 输出结果如下： ``` tensor([1, 2, 3, 4, 5, 6]) tensor([[1, 2], [3, 4], [5, 6]]) tensor([[2, 3], [5, 6]]) tensor([[[1, 2], [3, 4], [5, 6]], [[1, 2], [3, 4], [5, 6]]]) tensor([[1, 4], [2, 5], [3, 6]]) ``` 可以看到，我们使用不同的方法创建了不同的Tensor views，并且这些views对原来的Tensor没有任何影响。
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