上海做网站哪里好,行业前10的网站建设,官方设计方案,上海都有哪些公司1 特殊张量的创建
与numpy类似#xff0c;PyTorch中的张量也有很多特殊创建的形式。
zeros:全0张量
# 形状为2行3列
torch.zeros([2, 3])
# tensor([[0., 0., 0.],
# [0., 0., 0.]])ones:全1张量
# 形状为2行3列
torch.ones([2, 3])
# tensor([[1., 1., 1.],
# …
1 特殊张量的创建
与numpy类似PyTorch中的张量也有很多特殊创建的形式。
zeros:全0张量
# 形状为2行3列
torch.zeros([2, 3])
# tensor([[0., 0., 0.],
# [0., 0., 0.]])ones:全1张量
# 形状为2行3列
torch.ones([2, 3])
# tensor([[1., 1., 1.],
# [1., 1., 1.]])eye:单位矩阵
torch.eye(3)
# tensor([[1., 0., 0.],
# [0., 1., 0.],
# [0., 0., 1.]])diag:对角矩阵
在PyTorch中需要利用一维张量去创建对角矩阵。
torch.diag(torch.tensor([1,2,3,4,5]))
# tensor([[1, 0, 0, 0, 0],
# [0, 2, 0, 0, 0],
# [0, 0, 3, 0, 0],
# [0, 0, 0, 4, 0],
# [0, 0, 0, 0, 5]])rand服从0-1均匀分布的张量
torch.rand(2, 3)
# tensor([[0.2154, 0.7666, 0.7396],
# [0.3063, 0.9024, 0.0047]])randn服从标准正态分布的张量
torch.randn(3, 3)
# tensor([[ 1.2200, -1.0587, 1.0716],
# [-1.2465, -0.3391, 1.2131],
# [ 0.7201, 1.2034, -1.0660]])normal服从指定正态分布的张量
# 均值为2标准差为3的张量形状为2行2列
torch.normal(2, 3, size (2, 2))
# tensor([[9.0815, 0.9216],
# [0.9856, 4.2866]])randint整数随机采用
torch.randint(1, 10, size [2, 4])
# tensor([[1, 8, 2, 3],
# [5, 3, 5, 7]])arange/linspace:生成数列
# 从1-5左闭右开
torch.arange(5)
# tensor([0, 1, 2, 3, 4])# 从1-5左右都包含等距取3个数
torch.linspace(1, 5, 3)
# tensor([1., 3., 5.])empty:生成未初始化的指定形状矩阵
它生成的数近似于0但不为0
torch.empty(2, 3)
# tensor([[-2.1193e-17, 4.5602e-41, 3.0720e-09],
# [ 3.0630e-41, 0.0000e00, 0.0000e00]])full:根据指定形状填充指定数值
# 填充形状为2行4列填充数值为2
torch.full([2, 4], 2)
# tensor([[2, 2, 2, 2],
# [2, 2, 2, 2]])2 _like后缀的用法
创建指定形状的数组在上述函数后面加上_like即可。比如现在我们有一个张量t形状为2行3列
t torch.tensor([[1, 2, 3], [4, 5, 6]])我们想创建一个1-100随机数的张量形状与张量t相同
torch.randint_like(t, 1, 100)
# tensor([[57, 67, 77],
# [76, 45, 31]])上述函数都有_like方法需要注意的是该方法转化需要注意转化前后数据类型一致的问题若数据类型不一致则会报错
# randn为float型而t为int型
# 转换数据类型不一致就会报错
torch.randn_like(t)
# RuntimeError3 张量与其他数据类型的转换
张量、数组和列表是较为相似的三种类型对象在实际操作过程中经常会涉及三种对象的相互转化。
3.1 .numpy()/np.array():张量转化为数组
# 使用.numpy()
t.numpy()
# array([1, 2, 3])# 使用np.array()
np.array(t)
# array([1, 2, 3])3.2 tolist()/list():张量转化为列表
# 使用tolist()
t torch.tensor([1, 2, 3])
t.tolist()
# [1, 2, 3]需要注意的是在使用list()时此时转化的列表是由一个个零维张量构成的列表而非张量的数值构成的列表。可理解为1维张量是由0维张量组成的。
# 使用list(),结果是零维张量构成的列表为标量
list(t)
# [tensor(1), tensor(2), tensor(3)]3.3 .item()标量转化为数值
在很多情况下我们需要将最终计算的结果张量转为单独的数值进行输出。
n torch.tensor(1)
print(n)
# tensor(1)# 使用.item()方法将标量转为python中的数值
n.item()
# 14 张量的深拷贝
与python中其他对象类型一样等号赋值操作实际上是浅拷贝需要进行深拷贝则需要使用clone方法。
4.1 浅拷贝
t1 torch.arange(10)
t2 t1
t2[1] 10
print(t1)
# t1也被改变了
# tensor([ 0, 10, 2, 3, 4, 5, 6, 7, 8, 9])
print(t2)
# tensor([ 0, 10, 2, 3, 4, 5, 6, 7, 8, 9])4.2 clone()深拷贝
t1 torch.arange(10)
t2 t1.clone()
t2[1] 10# t1并没有被改变
print(t1)
# tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])# t2的第二个元素变成了10
print(t2)
# tensor([ 0, 10, 2, 3, 4, 5, 6, 7, 8, 9])Pytorch张量操作大全
Pytorch使用教学1-Tensor的创建 Pytorch使用教学2-Tensor的维度 Pytorch使用教学3-特殊张量的创建与类型转化 Pytorch使用教学4-张量的索引 Pytorch使用教学5-视图view与reshape的区别 Pytorch使用教学6-张量的分割与合并 Pytorch使用教学7-张量的广播 Pytorch使用教学8-张量的科学运算 Pytorch使用教学9-张量的线性代数运算 Pytorch使用教学10-张量操作方法大总结
有关Pytorch建模相关的AI干货请扫码关注公众号「AI有温度」阅读获取
