代理网站地址,wordpress翻译公司,专门做动漫的网站有哪些,seo推广计划文章目录 一、前言二、实验环境三、PyTorch数据结构1、Tensor#xff08;张量#xff09;1. 维度#xff08;Dimensions#xff09;2. 数据类型#xff08;Data Types#xff09;3. GPU加速#xff08;GPU Acceleration#xff09; 2、张量的数学运算1. 向量运算2. 矩阵… 文章目录 一、前言二、实验环境三、PyTorch数据结构1、Tensor张量1. 维度Dimensions2. 数据类型Data Types3. GPU加速GPU Acceleration 2、张量的数学运算1. 向量运算2. 矩阵运算3. 向量范数、矩阵范数、与谱半径详解4. 一维卷积运算5. 二维卷积运算6. 高维张量 3、张量的统计计算4、张量操作1. 张量变形2. 索引3. 切片4. 张量修改a. 张量拆分splitunbindchunk b. 张量扩展repeatcatstack c. 张量修改使用索引和切片进行修改gatherscatter 一、前言 本文将介绍PyTorch中张量的拆分split、unbind、chunk、拓展repeat、cat、stack、修改操作使用索引和切片、gather、scatter 二、实验环境 本系列实验使用如下环境
conda create -n DL python3.11conda activate DLconda install pytorch torchvision torchaudio pytorch-cuda12.1 -c pytorch -c nvidia三、PyTorch数据结构
1、Tensor张量 Tensor张量是PyTorch中用于表示多维数据的主要数据结构类似于多维数组可以存储和操作数字数据。
1. 维度Dimensions Tensor张量的维度Dimensions是指张量的轴数或阶数。在PyTorch中可以使用size()方法获取张量的维度信息使用dim()方法获取张量的轴数。 2. 数据类型Data Types PyTorch中的张量可以具有不同的数据类型
torch.float32或torch.float32位浮点数张量。torch.float64或torch.double64位浮点数张量。torch.float16或torch.half16位浮点数张量。torch.int88位整数张量。torch.int16或torch.short16位整数张量。torch.int32或torch.int32位整数张量。torch.int64或torch.long64位整数张量。torch.bool布尔张量存储True或False。
【深度学习】Pytorch 系列教程一PyTorch数据结构1、Tensor张量及其维度Dimensions、数据类型Data Types
3. GPU加速GPU Acceleration
【深度学习】Pytorch 系列教程二PyTorch数据结构1、Tensor张量 GPU加速GPU Acceleration
2、张量的数学运算 PyTorch提供了丰富的操作函数用于对Tensor进行各种操作如数学运算、统计计算、张量变形、索引和切片等。这些操作函数能够高效地利用GPU进行并行计算加速模型训练过程。
1. 向量运算
【深度学习】Pytorch 系列教程三PyTorch数据结构2、张量的数学运算1向量运算加减乘除、数乘、内积、外积、范数、广播机制
2. 矩阵运算
【深度学习】Pytorch 系列教程四PyTorch数据结构2、张量的数学运算2矩阵运算及其数学原理基础运算、转置、行列式、迹、伴随矩阵、逆、特征值和特征向量
3. 向量范数、矩阵范数、与谱半径详解
【深度学习】Pytorch 系列教程五PyTorch数据结构2、张量的数学运算3向量范数0、1、2、p、无穷、矩阵范数弗罗贝尼乌斯、列和、行和、谱范数、核范数与谱半径详解
4. 一维卷积运算
【深度学习】Pytorch 系列教程六PyTorch数据结构2、张量的数学运算4一维卷积及其数学原理步长stride、零填充pad宽卷积、窄卷积、等宽卷积卷积运算与互相关运算
5. 二维卷积运算
【深度学习】Pytorch 系列教程七PyTorch数据结构2、张量的数学运算5二维卷积及其数学原理
6. 高维张量
【深度学习】pytorch教程八PyTorch数据结构2、张量的数学运算6高维张量乘法、卷积conv2d~ 四维张量conv3d~五维张量
3、张量的统计计算
【深度学习】Pytorch教程九PyTorch数据结构3、张量的统计计算详解
4、张量操作
1. 张量变形
【深度学习】Pytorch教程十PyTorch数据结构4、张量操作1张量变形操作
2. 索引
3. 切片
【深度学习】Pytorch 教程十一PyTorch数据结构4、张量操作2索引和切片操作
4. 张量修改
a. 张量拆分
split 沿指定维度将张量拆分为多个张量
import torch# 创建一个张量
x torch.tensor([[1, 2, 3], [4, 5, 6]])
y1, y2 x.split(2, dim1)
print(y1)
print(y2) unbind 沿指定维度对张量进行拆分返回拆分后的张量列表
import torchx torch.tensor([[1, 2, 3], [4, 5, 6]])y1, y2 x.unbind(dim0)
print(y1)
print(y2) chunk 沿指定维度将张量均匀分割为多个张量
import torch# 创建一个张量
x torch.tensor([[1, 2, 3, 4, 5, 6]])# 沿指定维度均匀分割为多个张量
y x.chunk(3, dim1)
for chunk in y:print(chunk) b. 张量扩展
repeat 复制张量中的元素进行重复操作
import torchx torch.tensor([[1, 2, 3], [4, 5, 6]])# 重复操作
y x.repeat(1, 2)
print(y)
z x.repeat(2, 2)
print(z) cat 沿指定维度对多个张量进行拼接
import torchx1 torch.tensor([[1, 2, 3], [4, 5, 6]])
x2 torch.tensor([[7, 8, 9], [10, 11, 12]])# 在指定维度上进行拼接
y torch.cat((x1, x2), dim0)
print(y) stack 沿新的维度对多个张量进行堆叠
import torch# 创建两个张量
x1 torch.tensor([[1, 2, 3], [4, 5, 6]])
x2 torch.tensor([[7, 8, 9], [10, 11, 12]])# 在新维度上进行堆叠
y torch.stack((x1, x2), dim0)
print(y) c. 张量修改
使用索引和切片进行修改 可以使用索引和切片操作来修改张量中的特定元素或子集
import torchx torch.tensor([[1, 2, 3], [4, 5, 6]])
x[0, 1] 9 # 修改第0行、第1列的元素为9
print(x)输出
tensor([[1, 9, 3],[4, 5, 6]])gather 按指定索引从输入张量中收集指定维度的值
import torchx torch.tensor([[1, 2, 3], [4, 5, 6]])# 按索引收集值
indices torch.tensor([[0, 0, 1], [1, 0, 0]])
y torch.gather(x, 1, indices)
print(y) tensor([[1, 1, 2],[5, 4, 4]])scatter 将值按指定索引散射到新张量中
import torchx torch.zeros(2, 4)# 按索引散射值
indices torch.tensor([[0, 1], [2, 3]])
values torch.tensor([[1, 2], [3, 4]], dtypetorch.float)
y x.scatter(1, indices, values)
print(y)tensor([[1., 2., 0., 0.],[0., 0., 3., 4.]])
