Pytorch实现张量的创建与使用方法

本文主要介绍了Pytorch实现张量创建使用，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

目录

张量的创建及其基本类型

1.张量(Tensor)函数创建方法

2.张量的类型

3.张量类型的转化

张量的维度及形变

1.创建高维张量

2.张量的形变

2.1 flatten拉平: 将任意维度张量转化为一维张量

2.2 reshape方法: 任意变形

特殊张量的创建方法

1.特殊取值的张量的创建方法

2.创建指定形状的数组

张量和其他类型的转化方法

张量的深拷贝

张量的创建及其基本类型

1.张量(Tensor)函数创建方法

张量最基本的创建方法和Numpy中创建Array的格式一样,都是创建函数(序列)的格式:张量创建函数: torch.tensor()

import torch # 通过列表创建张量 t = torch.tensor([1,2]) # 通过元组创建张量 t = torch.tensor((1,2)) import numpy as np a = np.array((1,2)) # 通过数组创建张量 t1 = torch.tensor(a) """ 输出结果为 tensor([1,2],dtype=torch.int32) Point: 通过上述返回结果,我们发现张量也有dtype类型 """

2.张量的类型

张量和数组类似,都有dtype方法,可返回张量类型.我们发现,整数型的数组默认创建int32（整型)类型,而张量默认创建int64(长整型)类型。相对的,创建浮点型数组时,张量默认是float32(单精度浮点型),而Array则是默认float64(双精度浮点型)。除了数值型张量,常用的常量类型还有布尔型张量,也就是构成张量的各个元素都是布尔类型的张量。

3.张量类型的转化

张量类型的隐式转化

和NumPy中的Array相同,当张量各元素属于不同类型时，系统会自动进行隐式转化。

# 为了保证数据精度，倾向于统一转化成数据精度比较高的 # 浮点型和整数型的隐式转化 torch.tensor([1.1,2]) # 布尔型和数值型的隐式转化 torch.tensor([True,2.0])

张量类型的转化方法

当然,我们还可以使用.float(),.int()等方法对张量类型进行转化。

t = torch.tensor([1,2]) # 转化为默认浮点型(32位) t.float() # 转化为双精度浮点型 t.double() # 转化为16位整数 t.short()

张量的维度及形变

张量作为一组数的结构化表示,也同样有维度的概念，简单理解,向量就是一维的数组，而矩阵则是二维的数组,以此类推,在张量中,我们还可以定义更高维度的数组。当然,张量的高维数组和Numpy中的高维Array概念类似。

1.创建高维张量

用简单序列创建一维数组

包含"简单"元素的序列可创建一维数组。

t1 = torch([1,2]) t1 # 使用ndim属性查看张量的维度 t1.ndim # 使用shape查看形状 t1.shape # 和size函数相同 t1.size()

注:和Numpy不同,PyTorch中的size方法返回结果和shape属性返回结果一致。

此外,还需要注意有两个常用的函数/方法,用来查看张量的形状。

# 返回有几个(N-1)维元素 len(t1) # 返回总共有几个数 t1.numel()

用"序列"的"序列"创建二维数组

以此类推,我们还可以用形状相同的序列组成一个新的序列,进而将其转化为二维张量

# 用list的list创建二维数组 t2 = torch([[1,2],[3,4]])

零维张量

在PyTorch中,还有一类特殊的张量,被称为零维张量。该类型只包含一个元素，但又不是单独一个数。

t0 = torch.tensor([1]) # 这个仍然是一维张量 t0 = torch.tensor(1) # 这个是零维张量

理解零维张量:

目前我们可以将零维张量视为拥有张量属性的单独的一个数。(例如: 张量可以存在GPU上,但Python的原生数值对象不行,但零维张量就可以,尽管是零维。)从学术名称来说,Python中单独的一个数是scalars(标量),而零维的张量则是tensor。

高维张量

一般来说,三维及三维以上的张量,我们就将其称为高维张量。当然,在高维张量中,最常见的还是三维张量,我们可以将其理解为二维数组或矩阵的集合。

a1 = np.array([[1,2,2],[3,4,4]]) a2 = np.array([[5,6,6],[7,8,8]]) t3 = torch.tensor([a1,a2]) t3.shape # 结果为torch.Size([2,2,3]) 包含两个两行三列的矩阵

当然，N维张量的创建方法，我们可以先创建M个N-1维的数组，然后将其拼成一个N维的张量。关于更高维度的张量，我们将在后续遇到时再进行讲解。在张量的学习过程中,三维张量就已经足够。

2.张量的形变

张量作为数字的结构化集合，其结构也是根据需求灵活调整的。

2.1 flatten拉平: 将任意维度张量转化为一维张量

t2 = torch.tensor([[1,2] ,[3,4]]) t2.flatten() # 把张量按行排列拉平

2.2 reshape方法: 任意变形

t1 = tensor([1.2]) # 转化为两行一列的张量 t1.reshape(2,1) """ 结果为: tensor([[1],[2]]) 注意: reshape过程中维度的变化: reshape转化后的维度由该方法输入的参数"个数"决定 """

特殊张量的创建方法

在很多数值科学计算的过程中,都会创建一些特殊取值的张量,用于模拟特殊取值的矩阵,如全0矩阵,对角矩阵等.因此,PyTorch中也存在很多创建特殊张量的函数。

1.特殊取值的张量的创建方法

全0张量

torch.tensor([2,3]) # 创建全是0的两行三列的矩阵

注: 由于zeros就已经确定的张量元素的取值,因此该函数传入的参数实际上是决定了张量的形状

全1张量

torch.ones([2,3])

单位矩阵

# 返回五行五列的单位矩阵,对角线元素全为1 torch上一篇：教你pycharm运行Django第一个项目下一篇：详解Python OpenCV数字识别案例 热门搜索：

创建用户方法 

创建方法 

5.1.6实现php加速的使用方法 

创建公式的方法 

实现方法 

相关文章

Pytorch实现张量的创建与使用方法

2021-09-10阅读(7514)评论(0)推荐()

本文主要介绍了Pytorch实现张量创建使用，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习...

Pytorch使用PIL和Numpy将单张图片转为Pytorch张量方式

2021-09-11阅读(4689)评论(0)推荐()

这篇文章主要介绍了Pytorch使用PIL和Numpy将单张图片转为Pytorch张量方式，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张量数据类型的转化方式

2021-09-11阅读(9318)评论(0)推荐()

今天小编就为大家分享一篇pytorch中tensor张量数据类型的转化方式，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

MySQL创建用户与授权方法

2021-09-10阅读(8914)评论(0)推荐()

MySQL中创建用户与授权的实现方法，对于刚开始接触mysql的朋友可以参考下

JavaScript 批量创建数组的方法

2021-10-09阅读(6993)评论(0)推荐()

JavaScript有许多批量创建数组的方法，为了衡量它们的性能，我分别使用不同的方法创建一个长度为100000的数组，且键和值相等，今天小编给大家分享基于js...

Spring实战之使用静态工厂方法创建Bean操作示例

2021-10-06阅读(5164)评论(0)推荐()

这篇文章主要介绍了Spring实战之使用静态工厂方法创建Bean操作,结合实例形式分析了静态工厂方法创建Bean的相关实现步骤与操作注意事项,需要的朋友可以参考...

SpringBoot创建并简单使用的实现

2021-10-18阅读(9441)评论(0)推荐()

这篇文章主要介绍了SpringBoot创建并简单使用的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编...

取消

有人回复时邮件通知我

提交评论

© 2021 编程之家 

工信部备案号：琼ICP备2022000316号