2021-07-09

最新推荐文章于 2023-07-13 20:23:04 发布
最新推荐文章于 2023-07-13 20:23:04 发布
阅读量110 收藏
点赞数
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/zhaohuijun110/article/details/118602120
版权 
import torch
A=torch.zeros([1,1,24,24])
print(A)
A[0, 0, 2:-2, 2:-2] = 1
print(A)

tensor([[[[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0.]]]])
tensor([[[[0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0., 0., 0., 0., 0., 0., 0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0., 0., 0., 0., 0., 0., 0.],
          [0., 0., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
           1., 1., 1., 1., 1., 0., 0.],
          [0., 0., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
           1., 1., 1., 1., 1., 0., 0.],
          [0., 0., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
           1., 1., 1., 1., 1., 0., 0.],
          [0., 0., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
           1., 1., 1., 1., 1., 0., 0.],
          [0., 0., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
           1., 1., 1., 1., 1., 0., 0.],
          [0., 0., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
           1., 1., 1., 1., 1., 0., 0.],
          [0., 0., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
           1., 1., 1., 1., 1., 0., 0.],
          [0., 0., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
           1., 1., 1., 1., 1., 0., 0.],
          [0., 0., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
           1., 1., 1., 1., 1., 0., 0.],
          [0., 0., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
           1., 1., 1., 1., 1., 0., 0.],
          [0., 0., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
           1., 1., 1., 1., 1., 0., 0.],
          [0., 0., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
           1., 1., 1., 1., 1., 0., 0.],
          [0., 0., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
           1., 1., 1., 1., 1., 0., 0.],
          [0., 0., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
           1., 1., 1., 1., 1., 0., 0.],
          [0., 0., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
           1., 1., 1., 1., 1., 0., 0.],
          [0., 0., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
           1., 1., 1., 1., 1., 0., 0.],
          [0., 0., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
           1., 1., 1., 1., 1., 0., 0.],
          [0., 0., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
           1., 1., 1., 1., 1., 0., 0.],
          [0., 0., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
           1., 1., 1., 1., 1., 0., 0.],
          [0., 0., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
           1., 1., 1., 1., 1., 0., 0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0., 0., 0., 0., 0., 0., 0.],
          [0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,
           0., 0., 0., 0., 0., 0., 0.]]]]) 

import torch
A=torch.randn([1,1,8,8])
print(A)

print(A.shape)
A[0, 0, 2:-2, 2:-2] = 1

print(A)
print(A.shape[0])
print(torch.ones([A.shape[0],1,1,1]))tensor([[[[ 0.2526,  0.1686,  0.2739, -0.8662,  0.3606,  0.3143, -0.7608,
           -1.0338],
          [-0.1603,  0.4204, -0.0374,  0.2982, -1.0405, -0.1042,  0.0322,
           -0.5677],
          [ 1.1817,  0.2951, -0.1561,  0.4096,  0.1136, -0.0749,  1.5099,
           -0.0767],
          [ 1.0419, -1.0761,  0.8356,  0.4507, -0.6251, -0.5103, -1.8345,
            1.1861],
          [ 0.6396,  0.7428,  0.7296, -0.3657,  0.4083,  0.9713,  0.8214,
            0.4097],
          [-1.2659, -1.4936,  1.8955,  1.2852,  0.3796, -1.0484,  0.4369,
           -1.6546],
          [ 0.4333,  0.7594,  0.2933,  1.3827, -0.2933,  0.3445,  1.0583,
            0.1034],
          [ 0.6293,  0.1417,  0.3018, -0.9602,  0.5944,  1.7658, -0.4160,
            0.1794]]]])
torch.Size([1, 1, 8, 8])
tensor([[[[ 0.2526,  0.1686,  0.2739, -0.8662,  0.3606,  0.3143, -0.7608,
           -1.0338],
          [-0.1603,  0.4204, -0.0374,  0.2982, -1.0405, -0.1042,  0.0322,
           -0.5677],
          [ 1.1817,  0.2951,  1.0000,  1.0000,  1.0000,  1.0000,  1.5099,
           -0.0767],
          [ 1.0419, -1.0761,  1.0000,  1.0000,  1.0000,  1.0000, -1.8345,
            1.1861],
          [ 0.6396,  0.7428,  1.0000,  1.0000,  1.0000,  1.0000,  0.8214,
            0.4097],
          [-1.2659, -1.4936,  1.0000,  1.0000,  1.0000,  1.0000,  0.4369,
           -1.6546],
          [ 0.4333,  0.7594,  0.2933,  1.3827, -0.2933,  0.3445,  1.0583,
            0.1034],
          [ 0.6293,  0.1417,  0.3018, -0.9602,  0.5944,  1.7658, -0.4160,
            0.1794]]]])
1
tensor([[[[1.]]]])

 

昭晖君
关注
2021-07-09 .NET高级班 102-Socket的使用
微软MVP Eleven
07-09 4万+
一：Socket的基本使用 tcp使用 服务端 public static void Proccess() { int port = 2018; string host = "127.0.0.1"; IPAddress ip = IPAddress.Parse(host); IPEndPoint ipe = new IPEndPoint(ip, port); Socket sSocket = new Socket(AddressFamily.InterNetwo.
2021-07-09 .NET高级班 103-Cache缓存的实现
热门推荐
微软MVP Eleven
07-09 4万+
静态字段缓存基本使用 /// <summary> /// 1 客户端缓存-CDN缓存-反向代理缓存-本地缓存 /// 2 本地缓存原理和手写基础实现 /// 3 缓存更新/过期/多线程测试 /// 4 缓存类库封装和缓存应用总结 /// </summary> /// <param name="args"></param> static.
PyTorch 基础：Tensor（张量）
谢TS的博客
07-13 3868
PyTorch 是由 Facebook 研发的开源的深度学习框架，并且支持 CPU 和 GPU 加速计算。torch.Tensor 是包含单一数据类型元素的多维数组，它是 PyTorch 中数据存储和运算的基本单元，类似于 NumPy 的 numpy.ndarray，两者的函数接口和运算方式几乎一样。实际上 PyTorch 内部也是把 ndarray 包装成 Tensor。Tensor 中文称为 张量（可以看做是一个多维数组），是 PyTorch 中最基本的数据类型。
[PyTorch] 笔记01：张量及基本操作
qq_38939991的博客
09-02 1108
源自 PyTorch 1.4教程 [PyTorch] 笔记01：张量及基本操作 Outline 张量 基础语法 Torch张量转化为NumPy数组 NumPy数组转化为Torch张量 arange，range，linspace 基本操作 运算 重排 部分数据选择 扩张与拼接 1 张量 Tensor(张量）类似于NumPy的ndarray ndarray 对象是用于存放同类型元素的多维数组。 numpy.array(object, dtype = None, copy = Tru.
深度学习 02 Tensor的创建及其方法、属性。
weixin_61057398的博客
08-18 1062
上面的（a，b，dtype=torch.long）或者（a，b，dtype=torch.int）或者（a，b，dtype=torch.lfloat）可以表示三种不同数据类型的矩阵，其中a,b表示a行b列，表示大小（size）；与下面这种创建方法有什么区别呢：希望哪一位大神看了之后可以在下方留言，我感觉会是numpy类型，但是numpy的类型为dtype=float32。而（a，b）表示a，b（a行，b列）大小矩阵（size），数据类型默认为float。view(-1，2)中的-1表示的是自动计算。.....
【Pytorch】系统学习Pytorch（一）——tensor维度理解和取行列值操作
AlexFaker的博客
01-18 1万+
Pytorch最核心的数据类型是tensor（张量），实际上我个人觉得形式上张量就是个高维数组。但是tensor的维度如何理解，比如高维tensor我们取[:,:,:,...:,3]的时候我们取的是那些数？这涉及到对tensor维度的理解。
【Pytorch神经网络理论篇】 13 深层卷积神经网络介绍+池化操作+深层卷积神经网络实战
小李的研究生学习日记
03-12 3210
1 深层卷积神经网络概述 1.1 深层卷积神经网络模型结构图 1.1.1 深层卷积神经网络的正向结构构成剖析 输入层，将每个像素作为一个特征节点输入网络。 卷积层：由多个滤波器组合而成。 池化层：将卷积结果降维，对卷积后的特征图进行降维处理，得到更为显著的特征，池化层会对特征图中的数据作最大值/均值处理，在保留特征图原有的特征的基础上，减少后续运算量。 全局平均池化层：对生成的特征图取全局平均值，该层可以用全连接网络代替。 输出层：网络需要将数据分成几类，该层就有几个输出节点，每个输出
2021-09-07
m0_51132284的博客
09-07 1179
欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。 空缺值的处理 dropna(axis=0,how='any',thresh=None,subset=None,inplace=False) 参数： 参数 意义 axis 过滤行或列 行:0/index 列:1/columns how 过滤的标准 any:删除 axis:过
2021-07-08
JameLi95的博客
07-08 157
Python-opencv 实现Zernike矩亚像素边缘检测 参考了别人C++ OpenCV的逻辑 原图: 边缘检测效果: 代码如下： import numpy as np import cv2 import math import matplotlib.pyplot as plt pi = 3.14159265358979323846 g_N = 7 #Zernike 7*7 模板 M00 = np.array([[0, 0.0287, 0.0686, 0.0807, 0.0686, 0.0287
数据库系统概论(2021-09-07-22-05-14).mmap
09-07
数据库系统概论(2021-09-07-22-05-14).mmap
中国智能驾驶行业洞察2021[2021-09-07]（26页）.pdf
05-26
《中国智能驾驶行业洞察2021》报告深入剖析了中国智能驾驶行业的最新发展与未来趋势。这份26页的报告涵盖了多个关键知识点，以下是其中的要点概括： 1. **智能驾驶市场发展**：报告指出，截至2021年8月，中国的智能...
leetcode-简单-2021-07-09
Flora_Olivia的博客
07-09 132
13.罗马数字转整数 136.只出现一次的数字 232.用栈实现队列 1603.设计停车系统 326.3的幂 14.最长公共前缀 13.罗马数字转整数 class Solution: symbol = { 'I':1, 'V':5, 'X':10, 'L':50, 'C':100, 'D':500, 'M':1000 } def romanToInt(se..
35李沐动手学深度学习v2/多GPU训练，数据并行，从0开始实现
求道问术
09-21 806
李沐动手学深度学习v2/多GPU训练，数据并行，从0开始实现
Tensor基础
^-^
08-15 1064
Tensor——张量 tensor可以看作一个多维数组，标量是0维张量，向量是1维张量，矩阵看作二维张量 torch.Tencer是存储和变换数据的主要工具，草在类似于Numpy，而Tensor提供GPU计算和自动求梯度等更多的功能，因而更适合深度学习任务 创建Tensor 使用 empty 创建一个未初始化的tensor # 导入torch import torch # 创建一个5x3的 未初始化 的Tensor tensor = torch.empty(5,3) tensor tensor([[9.2
PyTorch使用教程-安装与基本使用
YXHPY BLOG
08-28 9841
PyTorch使用教程-安装与基本使用 什么要学习PyTorch? 有的人总是选择,选择的人最多的框架,来作为自己的初学框架,比如Tensorflow,但是大多论文的实现都是基于PyTorch的,如果我们要深入论文的细节,就必须选择学习入门PyTorch 安装PyTorch 一行命令即可 官网 pip install torch===1.6.0 torchvision===0.7.0 - https://download.pytorch.org/whl/torch_stable.html 时间较
2.2 Tensor的创建
【人工智能】王小草的博客
02-14 780
欢迎订阅本专栏！ 第二章：认识Tensor的类型、创建、存储、api等，打好Tensor的基础，是进行PyTorch深度学习实践的重中之重的基础。 第三章：学习PyTorch如何读入各种外部数据 第四章：利用PyTorch从头到尾创建、训练、评估一个模型，理解与熟悉PyTorch实现模型的每个步骤，用到的模块与方法。 第五章：学习如何利用PyTorch提供的3种方法去创建各种模型结构。 第六章...
tensorfolw学习笔记——张量、微分、自定义训练、keras
dmdd69075的博客
07-29 332
1张量 张量可以使用GPU加速，可以自动将python内置数据类型转换为张量。张量有形状和数据类型。张量与numpy主要区别为：1张量可以用GPU加速2张量不可变。 Tensors和Numpy ndarrays可以自动相互转换。Tensors使用.numpy()方法可以显示转换为ndarray。这种转换让Tensors和ndarray共享了底层内存。Tensors可能在GPU内存可是...
pytorch tensor查找0_PyTorch中张量的创建方法的选择
weixin_39584405的博客
12-05 87
点击关注我哦一篇文章带你了解PyTorch中张量的创建方法欢迎回到PyTorch神经网络编程系列。在这篇文章中，我们将仔细研究将数据转换成PyTorch张量的主要方法之间的区别。在这篇文章的最后，我们将知道主要选项之间的区别，以及应该使用哪些选项和何时使用。言归正传，我们开始吧。我们已经见过的PyTorch张量就是PyTorch类torch.Tensor的实例。张量和PyTorch张量...
Pytorch学习(一)Tensor(张量)
weixin_44901043的博客
03-24 753
构造一个5x3未初始化的矩阵 x = torch.empty(5, 3) print(x) 打印输出： tensor([[0., 0., 0.], [0., 0., 0.], [0., 0., 0.], [0., 0., 0.], [0., 0., 0.]]) 构造一个5x3随机初始化的矩阵 x = torch.empty(5, 3) print(x) 打印输出： tensor([[0.1018, 0.3758, 0.2924], [0.5437, 0.9374, 0.3051], [0.6789, 0
id uid exam_id start_time submit_time score 1 1001 9001 2021-09-01 09:01:01 2021-09-01 09:51:01 78 2 1001 9002 2021-09-01 09:01:01 2021-09-01 09:31:00 81 3 1002 9002 2021-09-01 12:01:01 2021-09-01 12:31:01 81 4 1003 9001 2021-09-01 19:01:01 2021-09-01 19:59:01 86 5 1003 9002 2021-09-01 12:01:01 2021-09-01 12:31:51 89 6 1004 9002 2021-09-01 19:01:01 2021-09-01 19:30:01 85 7 1005 9001 2021-09-01 12:01:01 2021-09-01 12:31:02 85 8 1006 9001 2021-09-07 10:01:01 2021-09-07 10:21:01 84 9 1003 9001 2021-09-08 12:01:01 2021-09-08 12:11:01 40 10 1003 9002 2021-09-01 14:01:01 (NULL) (NULL) 11 1005 9001 2021-09-01 14:01:01 (NULL) (NULL) 12 1003 9003 2021-09-08 15:01:01 (NULL) (NULL) sql求时间差
最新发布
07-25
您可以使用 SQL 中的函数来计算时间差。假设您想要计算 start_time 和 submit_time 之间的时间差，可以使用以下语句： ```sql SELECT id, uid, exam_id, start_time, submit_time, score, EXTRACT(EPOCH FROM ...
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