【pytorch深度学习】torch-张量Tensor

torch-张量Tensor

文章目录

  • torch-张量Tensor
    • 1. 张量Tensor

1. 张量Tensor

  • torch.tensor()
# 创建一个标量(0维张量)
scalar_tensor = torch.tensor(3.14)
# 创建一个向量(1维张量)
vector_tensor = torch.tensor([1, 2, 3])
# 创建一个矩阵(2维张量)
matrix_tensor = torch.tensor([[1, 2], [3, 4]])
# 创建一个3维张量
tensor_3d = torch.tensor([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])
  • torch.zeros()-全零张量
zero_tensor = torch.zeros(3, 4)  # 3行4列的全零矩阵
  • torch.ones()-全一张量
ones_tensor = torch.ones(2, 3)  # 2行3列的全一矩阵
  • torch.full()-常数填充张量
constant_tensor = torch.full((2, 2), 7)  # 2行2列的常数填充矩阵,值为7
  • torch.eye()-单位矩阵
identity_matrix = torch.eye(3)  # 3阶单位矩阵
  • torch.arange()-等差数列张量
range_tensor = torch.arange(0, 10, 2)  # 从0开始,步长为2,直到小于10
  • torch.rand()-随机张量
rand_tensor = torch.rand(2, 3)  # 2行3列的均匀分布随机矩阵
  • torch.randn()-正态分布随机张量
randn_tensor = torch.randn(3, 3)  # 3行3列的正态分布随机矩阵
  • size()-形状
x = torch.rand(2, 3)
print(x.size())  # 输出: torch.Size([2, 3])
  • dtype-数据类型指定及获取
x = torch.rand(2, 3, dtype=torch.float)
print(x.dtype)  # 输出: torch.float32
  • to()-GPU/CPU
if torch.cuda.is_available():
    device = torch.device("cuda")          # GPU 设备
else:
    device = torch.device("cpu")           # CPU 设备
x = x.to(device)
  • randn_like()、zeros_like()、ones_like()-已知张量创建形状类似的张量
t = torch.randn(3,3)
t1 = torch.randn_like(t)
  • 张量方法(它们有很多参数可选,要用再查):
t = torch.rand(3, 4, 5)
t.nelement()  # 返回数量
t.size()  # 返回尺寸,元组
t.shape  # 返回形状,元组
t.size(2)  # 返回指定维度大小
t.view(12, 5)    
t.view(-1, 6).shape
t.view(-1, 6).transpose(1, 0).shape
  • 索引和切片

张量的索引和切片和列表基本是一样的,有步长、起点、终点等。例如:

t[0,0,2]   t[:,1,1]   t>0   t[t > 0]
  • 张量运算
# 加法运算
add_res = x + y  
# 减法运算  
sub_res = x - y  
# 乘法运算  
mul_res = x * y  
# 除法运算  
div_res = x / y  

# 加法运算
add_res = torch.add(x, y)
# 减法运算
sub_res = torch.subtract(x, y)
# 乘法运算
mul_res = torch.mul(x, y)
# 除法运算
div_res = torch.div(x, y)
  • 转置:
x = torch.randn(3, 4)
y = x.transpose(0, 1)

下面是对张量操作的总结,不含代码,要用再查:

  • 创建操作:用于构造张量的函数,如ones()和from_numpy()
  • 修改操作:用于直接修改张量
  • 索引、切片、连接、转换操作:用于改变张量的形状、步长或内容的函数
  • 数学操作:通过运算操作张量内容的函数:
    • 逐点操作:通过对每个元素分别应用一个函数来得到一个新的张量,如abs()、cos()
    • 归约操作:通过迭代张量来计算聚合值的函数,如mean()
    • 比较操作:在张量上计算数字谓词的函数
    • 频谱操作:在频域上进行变换和操作的函数
    • 其他操作:作用于向量的特定函数,或对矩阵进行操作的函数
    • BLAS和LAPACK操作:符合基本线性代数子程序规范的函数,用于标量、向量—向量、矩阵—向量、矩阵—矩阵操作
  • 随机采样:从概率分布中随机生成值的函数
  • 序列化:保存和加载张量的函数
  • 并行化:用于控制并行CPU执行的线程数的函数。

与·numpy的互操作:

# 从张量points得到一个numpy数组
points_np = points.numpy()

# 从numpy得到一个pytorch张量
points = torch.from_numpy(points_np)

你可能感兴趣的:(pytorch深度学习,深度学习,人工智能)