一、Tensor

最新推荐文章于 2024-04-25 20:47:04 发布
最新推荐文章于 2024-04-25 20:47:04 发布
阅读量1.1k 收藏 6
点赞数
文章标签： python 深度学习
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/zcsdn1996/article/details/114602280
版权

目录

一、什么是pytorch

二、tensor(张量)

1、定义

2、tensor的维度（秩）rank/order

3、tensor的属性

4、创建tensor并更改数据类型

  1、随机创建

  2、全0的tensor

 3、全1的tensor

  4、自定义数值和维度

5、tensor中的方法和变量

  1、查看定义的tensor有哪些操作

  dir(x)

  2、查看tensor和查看具体数据

  3、查看梯度和梯度方法

  4、查看形状/修改/大小

           5、查看并修改数据类型

  6、四则运算

  7、切片操作

  8、tensor和numpy之间的数据类型转换

三、GPU和CPU之间的转换

1、转化到GPU上操作

2、转化到CPU上

一、什么时pytorch

PyTorch是一个基于python的科学计算框架，有以下特点：

（1）类似于Numpy（做矩阵及高维矩阵运算的库），但可以使用GPU

（2）可以用它定义深度学习模型，剋灵活的进行深度学习模型的训练和使用

二、tensor(张量)

1、定义

Tensor实际上就是一个多维数组（multidimensional array），其目的是能够创造更高维度的矩阵、向量。

2、tensor的维度（秩）rank/order

     Rank为0、1、2时分别称为标量、向量和矩阵，Rank为3时是3阶张量，Rank大于3时是N阶张量。这些标量、向量、矩阵和张量里每一个元素被称为tensor element（张量的元素），且同一个张量里元素的类型是保持一样的。

3、tensor的属性

1.数据类型dtype d是data的首字母，type是类型的意思。tensor里每一个元素的数据类型是一样的。类似于Numpy中ndarray.dtype。pytorch里的数据类型可以有很多种，比方说torch.float32就是32位的浮点数，torch.int8就是8位的整型，torch.unit8就是8位的无符号整型，torch.string为字符串等等。 
2.形状Shape 类似于Numpy中ndarray.shape，比方说一个2行3列的二维矩阵，他的形状就是2行3列。 
3.其他属性 device是tensor在哪个设备上被计算出来的，graph是tensor所属的图，name是tensor的名字 ,op是operation的缩写是产生这个tensor的操作运算，对应图上的结点，这些结点接收一些tensor作为输入并输出一些tensor。还有等等属性，可以查阅官网。 

4、创建tensor并更改数据类型

Jupyter->tensor.py

***************加载包：import torch********************

********默认数据类型为float32，用.dtype查看********

  1、随机创建

（1）x=torch.empty(5,3):创建5行3列的张量，2维，数字为极小/极大的随机数

（2）x=torch.rand(5,3,2)：创建3为维张量，为[0,1)之间的随机数（即从均匀分布中取数）

（3）x=torch.rand(5,3)：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。张量的形状由参数sizes定义。

（4）y=torch.rand_like(x)：生成与x形状相同的随机数。

  2、全0的tensor

（1）x=torch.zeros(5,3)：创建2维矩阵，数据为0，x.dtype查看数据类型

（2）x=x.new.zeros(5,3)：创建一个与x相似的，用0 填充的tensor，shape/size自己定义。

（3）y=torch.zeros_like(x)：生成与x形状相同，且都为0填充的tensor

 3、全1的tensor

（1）x=torch.ones(5，3）：创建2维矩阵，数据全为1，x.dtype查看数据类型

（2）x=x.new.ones(5,3)：创建一个与x相似的，用1 填充的tensor，shape/size自己定义。

（3）y=torch.ones_like(x)：生成与x形状相同，且都为1填充的tensor

  4、自定义数值和维度

（1）x=torch.tensor([5,3])：自定义一个数值为5和3，形状1行2列的2维矩阵

（2）a=torch.tensor([[5,3],[4,2]])：自定义形状维（2，1，2）的3阶tensor

5、tensor中的方法和变量

  1、查看定义的tensor有哪些操作

  dir(x)

  2、查看tensor和查看具体数据

（1）查看tensor：print(x)/print(x.data)  返回：tensor(   )

（2）查看tensor具体数值(当tensor中只有一个数据的时候才能用）：print(x.item())  返回：数据或者一个n阶矩阵

  3、查看梯度和梯度方法

             x.grad

            x.grad_fn

  4、查看形状/修改/大小

（1） 查看形状：x.shape；x.size

（2）重新定义/修改形状：x=x.zeros(4,4)  y=x.view(16)#将x变为一个具有16个数据的向量，并赋值给y；重新定义的尺寸大小乘积必须和元次村大小乘积相同。即4*4（x的尺寸大小乘积）=16(y的尺寸大小乘积）

  5、查看并修改数据类型

（1）查看数据类型：x.dtype，默认为float32

（2）修改数据类型：x=torch.randn(5,3，dtype=int)

                                  x=torch.randn(5,3).long()//修改成long数据类型

  6、四则运算

（1）加法：x+y；torch.add(x,y)；y.add(x)#此运算改变是在y上做修改，不再额外开辟内存空间存放加和后的数据。必须是同尺寸的tensor才可以做加法运算。

********各种类似numpy的indexing都可以在pytorch tensor上使用*********

  7、切片操作

x[:,1:]：所有行都留下，从第1列向后都留下

  8、tensor和numpy之间的数据类型转换

********a和b在这期间是共享内存的，改变a的值，b的值也会发生改变********

（1）将tensor转化维numpy array类型：用a中的numpy()方法即可

                    a=torch.ones(5,3)

                    b=a.numpy()

（2）将numoy转为tensor类型：

                   import numpy  as np

                   a=np.ones(5,3)

                   b=torch.from_numpy(a)

三、GPU和CPU之间的转换

1、转化到GPU上操作

（1）device直接定义

（2）.to("GPU")方法

（3）把整个模型都变成cuda model=model.cuda()

if torch.cuda.is_available():
    d=torch.device("cuda")#定义GPU设备
    y=torch.ones_like(x,device=d)#device直接定义设备维GPU
    x=x.to(d)#使用.to("GPU")方法
    z=x+y
    print(z.to("CPU",torch.double))

2、转化到CPU上

********numpy类型的数据只能在CPU上做运算，所以如果想做numpy有关的方法必须先转化到CPU上*********

（1）.to("CPU)

 

        

 

 

赞赞de小乖fan
关注
  • 0
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
tensor属性
Spring_24的博客
08-28 1293
tensor attributes 每一个torch.Tensor都有一个torch.dtype，torch.device，torch.layout。 torch.dtype
1-2 Tensor的属性
Thumb_的博客
03-02 243
Tensor的属性 Tensor的属性——稀疏的张量 torch.sparse_coo_tensor coo类型表示了非零元素的坐标形式 indices = torch.tensor([[0,1,1],[2,0,2]]) # 非零元素的坐标（0，2），（1，0），（1，2） values = torch.tensor([3,4,5],dtype=torch.float32) # 对应非零元素的值3，4，5 x = torch.sparse_coo_tensor(i,v,[2,4]) # 一个 2
详细分析Python中Tensor基本知识
最新发布
码农研究僧的博客
04-25 1536
Tensor是深度学习中广泛使用的数据结构，是多维数组或矩阵的泛化 在深度学习框架中，如TensorFlow和PyTorch，Tensor被用来表示输入数据、模型参数和输出数据
Tensor——属性统计
surymy
06-17 451
statistics
3-5Tensor的属性
持之以恒
01-17 139
稀疏，低秩。。 稀疏张量的定义 import torch dev = torch.device("cpu") a = torch.tensor([2,2],device = dev) print(a) tensor([2, 2]) 资源调度将tesnsor放在gup上面 dev = torch.device("cuda:0") a = torch.tensor([2,2],dtype = torch.float32,device = dev) print(a) tensor([2., 2.], d.
【深度学习重要基础】Tensor 的属性
weixin_54335478的博客
08-19 158
中，使用奇异值分解（SVD）可以将图像表示为低秩张量，从而实现图像的压缩和重构。中，词袋模型中的词向量矩阵通常是稀疏的，因为一个文本中只会包含少量的词汇。tensor类型（like:torch.float32）张量的稀疏性和低秩性是两个不同的概念。, coo类型表示非零元素的坐标形式。标识tensor对象在创建之后。在实际应用中，稀疏张量可以。帮助节省存储空间和计算资源。指的是张量的秩较低，即可以。
tensorflow实现tensor中满足某一条件的数值取出组成新的tensor
09-18
今天小编就为大家分享一篇tensorflow实现tensor中满足某一条件的数值取出组成新的tensor，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
tensorflow: 查看 tensor详细数值方法
09-20
今天小编就为大家分享一篇tensorflow: 查看 tensor详细数值方法，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 改变tensor尺寸的实现
09-18
今天小编就为大家分享一篇pytorch 改变tensor尺寸的实现，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 实现删除tensor中的指定行列
09-18
今天小编就为大家分享一篇pytorch 实现删除tensor中的指定行列，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
Tensor Decompositions and applications
12-27
一种TD分解 widespread use of multisensor technology and the emergence of big data sets have highlighted the limitations of standard flat-view matrix models and the necessity to move toward more ...
pytorch tensor_Pytorch 之 Tensor 属性与操作
weixin_39996141的博客
11-25 606
未经许可，严禁任何形式转载！以前整理的笔记，能力有限，欢迎批评指正。Tensor 的属性类型属性类型查看可以通过如下代码查看 tensor 的类型：gpu_tensortensor 支持的的类型pytorch 中的 tensor 支持如下类型：其中，HalfTensor 是专门为 GPU 设计的，其占用的内存空间只有 CPU 下 FloatTensor 的一半。尺度属性尺寸查看可以通过如下代码，查...
tensor属性统计
dying_star的博客
02-12 1039
torch.norm求范数函数 import torch a=torch.tensor([[1,2,3],[-1,1,4]],dtype=torch.float) print(a.norm(p=1))#计算各个元素绝对值的和 print(torch.norm(a,p=1,dim=1))#指定维度，横向计算各个元素绝对值的和 print(torch.norm(a,p=1,dim=0))#纵向计算各个元素绝对值的和 输出 tensor(12.) tensor([6., 6.]) tenso..
Pytorch学习记录（一）Tensor及其性质
whiteTw的博客
04-27 851
通过Tensor来开始Torch的初步学习，了解一系列Tensor的相关性质和计算方法，为接下来的数据预处理做好铺垫。
pytorch学习-Tensor的常用属性和方法
Joseph__Lagrange的博客
11-13 913
Tensor的常用属性和方法 属性 requires_grad： 查看该tensor是否需要求导 grad_fn：查看该tensor经历了什么样的操作 方法 requires_grad_()：将tensor变为需要求导 cuda(): 将tensor迁移到GPU显存中 # 查看tensor的属性和方法 代码如下： import torch ten1 = torch.FloatTensor(2) func_attrs = dir(ten1) tmp = [] for idx, func_attr in e
【Pytorch】tensor索引另一个tensor（tensor[tensor]）
ProLover98的博客
03-30 4068
说明 最近在使用pytorch中tensor的时候，遇到了需要使用tensor1[tensor2]的情况，发现了这篇博客，他从代码的角度解释了其工作原理，这里我用图示的方式解释tensor类型为longTensor时的情况 工作原理 首先，创建两个tensor，如下：import numpy as np import torch x1 = np.array([[1,0,0,1],[1,1,0,1...
tensorflow 基础操作1(tensor 基本属性 ， 维度变换，数学运算)
weixin_46955575的博客
08-09 1302
isinstance(a,tf.tensor)不推荐 or tf.is_tensor(a) 判断数据类型是不是tensor。tf.convert_to_tensor(np.ones([2,3])) # 默认float64 [2,3]被视为data。截断正态分布 tf.random.truncated_normal([2,2],mean=1，stddev=1)tf.convert_to_tensor(np.zeros([2,3])) # 默认float64。...
Tensor（张量）
m0_66467467的博客
02-23 1163
pytorch的tensor常见用法
tenorflow基础知识（三） tensor张量、tensor的属性、tensor数据和numpy数据的转化
promisejia
06-25 4948
[] 1. 什么是tensor张量，tensor的结构 tensor是tensorflow中的数据形式。是一种可以表示多维数组的class类，可以理解为多维数组。在tensor类中包含以下几个属性： name属性：name是一个Tensor的唯一标识符. 如果我们没有指定name的值，则tensorflow会按操作名自动分配name值，比如用a = tf.contstant(1.0)...
tensor 删除一列
04-01
在 Python 中，可以使用 NumPy 或 PyTorch 中的 tensor 对象来删除 tensor 中的一列。以下是使用 PyTorch 的示例代码： ```python import torch # 创建一个 3x3 的 tensor tensor = torch.tensor([[1, 2, 3], [4, ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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