人工智能学习Pytorch张量数据类型示例详解

目录

• 1.python 和 pytorch的数据类型区别
• 2.张量
• ①一维张量
• ②二维张量
• ③3维张量
• ④4维张量

1.python 和 pytorch的数据类型区别

在PyTorch中无法展示字符串，因此表达字符串，需要将其转换成编码的类型，比如one_hot，word2vec等。

2.张量

在python中，会有标量，向量，矩阵等的区分。但在PyTorch中，这些统称为张量tensor，只是维度不同而已。

标量就是0维张量，只有一个数字，没有维度。

向量就是1维张量，是有顺序的数字，但没有“行”或“列”的区分。

矩阵就是2维张量，有形状，行和列。

以此类推，PyTorch中也常用3维张量和4维张量。

具体的张量生成和相关特性获取方式如下：

①一维张量

在PyTorch中，没有中括号，只有一个数字，就是1维张量，也就是python中的标量。

可以通过不同的方法查看数据的维度：

对于0维张量，查看形状的时候就是0。

②二维张量

通过Pytorch可以直接指定一个具体的张量数据，也可以通过指定张量的形状，来随机生成指定形状的数据。

如果通过numpy生成了数据，可以通过torch.from_numpy来转换成张量。

③3维张量

通常，在RNN中会使用3维张量。

④4维张量

通常，在CNN中会使用3维张量。比如下图生成的四维张量，可以理解为是2张图，3层颜色，长宽均为28

以上，通过不同的方法可以生成想要的维度的张量，并查看相关属性。

以上就是人工智能学习Pytorch张量数据类型示例详解的详细内容，更多关于Pytorch张量数据类型的资料请关注脚本之家其它相关文章！