在使用Tensor時，我們首先要掌握如何使用Tensor來定義不同數(shù)據(jù)類型的變量。Tensor時張量的英文，表示多維矩陣，和numpy對應(yīng)，PyTorch中的Tensor可以和numpy的ndarray相互轉(zhuǎn)換，唯一不同的是PyTorch可以在GPU上運行，而numpy的ndarray只能在cpu上運行。 

       常用的不同數(shù)據(jù)類型的Tensor，有32位的浮點型torch.FloatTensor,   64位浮點型 torch.DoubleTensor,   16位整形torch.ShortTensor,    32位整形torch.IntTensor和64位整形torch.LongTensor

 一：Tensor的數(shù)據(jù)類型

1  torch.FloatTensor:用于生成數(shù)據(jù)類型為浮點型的Tensor，傳遞給torch.FloatTensor的參數(shù)可以是一個列表，也可以是一個維度值

2：torch.IntTensor：用于生成數(shù)據(jù)類型為整形的Tensor,傳遞給torch.IntTensor的參數(shù)可以是一個列表，也可以是一個維度值

3：torch.rand:用于生成數(shù)據(jù)類型為浮點型且維度指定的隨機Tensor,和在NumPy中使用的numpy.rand生成隨機數(shù)的方法類似，隨機生成的浮點數(shù)據(jù)在0-1區(qū)間均勻分布

4：torch.randn:用于生成數(shù)據(jù)類型為浮點型且維度指定的隨機Tensor,和在NumPy中使用numpy.randn生成隨機數(shù)的方法類似，隨機生成的浮點數(shù)的取值滿足均值為0，方差為1的正態(tài)分布

5：torch.range:用于生成數(shù)據(jù)類型為浮點型且自定義起始范圍和結(jié)束范圍的Tensor，所以傳遞給torch.range的參數(shù)有三個，分別是范圍的起始值，范圍的結(jié)束值和步長，其中，步長用于指定從起始值到結(jié)束值得每步得數(shù)據(jù)間隔

二：Tensor的運算

       通過對Tensor數(shù)據(jù)類型的變量進行運算，來組合一些簡單或者復(fù)雜的算法，常用的Tensor運算如下。

1.torch.abs:將參數(shù)傳遞到torch.abs后返回輸入?yún)?shù)的絕對值作為輸出，輸入?yún)?shù)必須是一個Tensor數(shù)據(jù)類型的變量。

2.torch.add:將參數(shù)傳遞到torch.add后返回輸入?yún)?shù)的求和結(jié)果作為輸出，輸入?yún)?shù)可以全部是Tensor數(shù)據(jù)類型的變量，也可以一個是Tensor數(shù)據(jù)類型的變量，另一個是標量。

3.torch.clamp:對輸入?yún)?shù)按照自定義的范圍進行裁剪，最后將參數(shù)裁剪的結(jié)果作為輸出。所以輸入?yún)?shù)一共有三個，分別是需要進行裁剪的一共三個，分別是需要進行裁剪的Tensor數(shù)據(jù)類型的變量，裁剪的上邊界，下邊界。過程是，讓變量的每個元素分別和上下邊界比較，如果小于下邊界，該元素就被重寫下邊界的值，如果大于上邊界，該元素就被重寫上邊界的值。

4.torch.div:將參數(shù)傳遞到torch.div后返回輸入?yún)?shù)的求商結(jié)果作為輸出，同樣，參與運算的參數(shù)可以全部是Tensor數(shù)據(jù)類型的變量，也可以是Tensor數(shù)據(jù)類型的變量和標量的組合

5.torch.mul：將參數(shù)傳遞到torch.mul后返回輸入?yún)?shù)求積的結(jié)果作為輸出，參與運算的參數(shù)可以全部是Tensor數(shù)據(jù)類型的變量，

也可以是Tensor數(shù)據(jù)類型的變量和標量的組合

6.torch.pow:將參數(shù)傳遞到torch.pow后返回輸入?yún)?shù)的求冪結(jié)果作為輸出，參與運算的參數(shù)可以全部是Tensor數(shù)據(jù)類型的變量，

也可以是Tensor數(shù)據(jù)類型的變量和標量的組合

就是a的b次方

7.torch.mm:將參數(shù)傳遞到torch.mm后返回輸入?yún)?shù)的求積結(jié)果作為輸出，不過這個求積結(jié)果的方式和之前的torch.mul運算方式不一樣，toch.mm運用矩陣之間的乘法法則進行計算，所以被傳入的參數(shù)會被當作矩陣進行處理，參數(shù)的維度自然也要滿足矩陣乘法的前提條件，即前一個矩陣的行數(shù)必須和后一個矩陣的列數(shù)相等，否則不能計算。

8.torch.mv：將參數(shù)傳遞到torch.mv后返回輸入?yún)?shù)的求積結(jié)果作為輸出，torch.mv運用矩陣與向量之間的乘法規(guī)則進行計算，被傳入的第一個參數(shù)代表矩陣，第二個參數(shù)代表向量，順序不能顛倒

到此這篇關(guān)于PyTorch中Tensor的數(shù)據(jù)類型和運算的使用的文章就介紹到這了,更多相關(guān)PyTorch Tensor數(shù)據(jù)類型和運算內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論