网站开发网站源码,东坑镇网站建设,网店详情页面设计,淘宝网站怎样做PyTorch是一个基于python的科学计算包。它的灵活性允许轻松集成新的数据类型和算法#xff0c;并且框架也是高效和可扩展的#xff0c;下面我们将介绍一些Pytorch的基本张量操作。 Tensors
张量Tensors是一个向量#xff0c;矩阵或任何n维数组。这是深度学习的基本数据结构…PyTorch是一个基于python的科学计算包。它的灵活性允许轻松集成新的数据类型和算法并且框架也是高效和可扩展的下面我们将介绍一些Pytorch的基本张量操作。 Tensors
张量Tensors是一个向量矩阵或任何n维数组。这是深度学习的基本数据结构它们非常类似于数组和矩阵我们可以通过它们有效地对大型数据集进行数学运算。张量可以表示为矩阵也可以表示为矢量、标量或高维数组。
我们可以把张量想象成一个包含标量或其他数组的简单数组。在PyTorch上张量是一个非常类似于ndarry的结构不同之处在于它们能够在GPU上运行这极大地加快了计算过程。
1、 tensor()
我们一般都会使用tensor()方法创建张量: torch.tensor([[3, 6], [2, 4.]])tensor([[3., 6.],[2., 4.]])这里要保证传递的python数组维度是相同的例如下面就会报错 torch.tensor([[1, 2], [3, 4, 5]]) 2、randint ()
randint()方法返回一个张量其中充满了给定形状在低(包含)和高(不包含)之间均匀分布的随机整数。形状它可以是一个元组或包含非负成员的列表。low的默认值是0。当只传递一个int参数时默认情况下low获取值0,high获取传递的值。 torch.randint(2,5, (2,2)) tensor([[2, 4],[2, 4]])3、complex()
complex()方法接受两个参数(real和image)并返回一个复数张量复数实部real虚部image其中实部和虚部都是具有相同数据类型和相同形状的张量。 a_real torch.rand(2, 2) print(a_real) a_imag torch.rand(2, 2) print(a_imag) a_complex_tensor torch.complex(a_real, a_imag) print(a_complex_tensor)tensor([[0.4356, 0.7506],[0.5335, 0.6262]])tensor([[0.1342, 0.0804],[0.2047, 0.0685]])tensor([[0.43560.1342j, 0.75060.0804j],[0.53350.2047j, 0.62620.0685j]])如果实部和虚部形状不同则会报错 real torch.rand(1, 2) print(real) imag torch.rand(0) print(imag) complex_tensor torch.complex(real, imag) print(complex_tensor)4、reshape()
reshape可以更改张量形状它返回与指定数组相同的数据但具有不同的指定维度大小。 a torch.tensor([1, 2, 3, 4, 5, 6, 7, 8])print(a) print(a.reshape([4, 2]))tensor([1, 2, 3, 4, 5, 6, 7, 8])tensor([[1, 2],[3, 4],[5, 6],[7, 8]])如果维度不匹配则会报错 a torch.tensor([[1,2,3],[4,5,6]])torch.reshape(a, (6))5、view()
view()用于在二维格式行和列中更改张量。我们必须指定要行数和列数。 atorch.FloatTensor([24, 56, 10, 20, 30, 40, 50, 1, 2, 3, 4, 5]) print(a)print(a.view(4, 3))tensor([24., 56., 10., 20., 30., 40., 50., 1., 2., 3., 4., 5.])tensor([[24., 56., 10.],[20., 30., 40.],[50., 1., 2.],[ 3., 4., 5.]])reshape和
view都是用于改变张量形状的操作但它们之间有一些关键的区别。
**
view**
view是一个对张量进行重新视图的方法。它返回一个新的张量该张量与原始张量共享相同的数据但形状可能发生改变。view操作要求新形状的元素数量必须与原张量相同否则会引发错误。view可以用于改变张量形状但仅当原始张量的数据在内存中是连续的时候。
**
reshape**
reshape函数也用于改变张量形状。与 view不同reshape返回一个新的张量而不共享原张量的数据。它总是返回一个新的张量即使数据在内存中是连续的。reshape允许在元素数量相同的情况下改变形状因为它可以自动推断缺失的维度大小。
6、take()
take会根据给定的索引选择张量并返回。输入张量被看作是一维张量。结果的形状与指标的形状相同 a torch.tensor([[1,2,3],[3, 4,7],[4,5,6]])torch.take(a, torch.tensor([1,4,5]))tensor([2, 4, 7])如果索引超过了张量的长度则会报错 a torch.tensor([[1,2,3],[3, 4,7],[4,5,6]])torch.take(a, torch.tensor([0,3,6,8,10]))7、unbind()
unbind可以用来移除一个张量维度。它将返回一个元组包含给定维度上的所有切片也就是说会将张量变成一个张量的列表 a torch.tensor([[1,2,3],[3, 4,7],[4,5,6]])torch.unbind(a)(tensor([1, 2, 3]), tensor([3, 4, 7]), tensor([4, 5, 6]))8、 reciprocal()
reciprocal返回一个新的张量与输入元素的倒数。 torch.reciprocal(torch.tensor([[1.6,2.5],[3,4],[5,6]]))tensor([[0.6250, 0.4000],[0.3333, 0.2500],[0.2000, 0.1667]])9、t ()
转置是翻转张量轴的过程。它涉及到交换二维张量的行和列或者更一般地说交换任何维度张量的轴。 E torch.tensor([ [3, 8], [5, 6]])F torch.t(E)print(E)print(F)tensor([[3, 8],[5, 6]])tensor([[3, 5],[8, 6]])10、cat()
张量运算中的cat是将两个或多个张量沿特定维度连接起来形成一个更大张量的过程。得到的张量有一个新的维度它是输入张量的原始维度的连接。 a torch.tensor([[1, 2], [3, 4]])b torch.tensor([[5, 6]])c torch.cat((a, b), dim0)print(c)tensor([[1, 2],[3, 4],[5, 6]])https://avoid.overfit.cn/post/3d344b08f8c1454b869ba222079e4ea7
