人工智能学习Pytorch教程Tensor基本操作示例详解

目录

• 一、tensor的创建
• 1.使用tensor
• 2.使用Tensor
• 3.随机初始化
• 4.其他数据生成
• ①torch.full
• ②torch.arange
• ③linspace和logspace
• ④ones, zeros, eye
• ⑤torch.randperm
• 二、tensor的索引与切片
• 1.索引与切片使用方法
• ①index_select
• ②...
• ③mask
• 三、tensor维度的变换
• 1.维度变换
• ①torch.view
• ②squeeze/unsqueeze
• ③expand，repeat
• ④t，transpose，permute

一、tensor的创建

1.使用tensor

小写字母的tensor接收具体的数据，可以直接按照numpy的方式输入数组。

2.使用Tensor

大写字母的可以接收形状，此时会生成随机数，但没有任何规则。可以生成不同的类型。

自动生成的数据有默认类型，FloatTensor，可以使用torch.set_default_tensor_type去修改

3.随机初始化

rand：0-1之间均匀采样

randn：均值0，方差1的正态分布随机采样

以上两种可以直接输入形状，即可产生对应形状的随机数。

randint：参数是---起始值、终止值、形状

同时每一个都会有一个_like方法，输入一个tensor，会生成对应形状的新tensor

4.其他数据生成

①torch.full

参数是---形状，数据。如果形状的位置给一个空的list，生成的就是标量。

②torch.arange

参数是---起始，终止，步长。不包含终止值。

③linspace和logspace

参数是---起始，终止，数量。包含终止值

④ones, zeros, eye

输入形状即可。ones和zeros也有_like方法

⑤torch.randperm

随机打散。输入一个数字，会自动生成这个数字长度的，从0开始的随机排列数字，可以作为索引。当需要对不同的数据，使用相同的索引，并且打乱顺序时，非常好用。

二、tensor的索引与切片

1.索引与切片使用方法

和python中的索引切片使用方法一致

①index_select

输入的参数---维度的位置、要选的内容对应的维度的索引。不太好理解，可以看下面的例子。

②...

三个点相当于集成了的连续的冒号。

③mask

需要先根据数据生成一个mask，比如挑选出大于等于0.3的数，此时会得到一个和数据相同形状的，满足条件位置是1，不满足条件的位置是0的一个mask，通过masked_select可以选出数据。

三、tensor维度的变换

1.维度变换

①torch.view

和numpy中的reshape方法一样。转换的时候需要考虑到实际的物理意义。

②squeeze/unsqueeze

squeeze输入的参数---需要减少的维度所在位置

unsqueeze输入的参数---需要增加的维度所在的位置

③expand，repeat

expand输入的参数---希望扩展后所形成的维度

repeat输入的参数---各自维度需要重复的次数

通常使用expand，因为不会主动复制数据。

④t，transpose，permute

t：和numpy中的转置一样，只针对二维矩阵操作

transpose：输入需要交换的维度的位置即可。但想要还原的时候，需记得转换后的各个位置的物理意义，根据实际意义进行再次转换。见下面的例子。

permute：输入希望转换成的维度的位置索引即可。相当于多次使用transpose

以上就是人工智能学习Pytorch教程Tensor基本操作示例详解的详细内容，更多关于Pytorch的tensor基本操作的资料请关注脚本之家其它相关文章！