pytorch教程之Tensor的值及操作使用學習
更新時間：2021年09月07日 11:43:27 作者：xz1308579340
這篇文章主要為大家介紹了pytorch教程中關于Tensor的操作使用，有需要的朋友可以借鑒參考下，希望可以有所幫助，祝大家升職加薪，共同進步
1、Tensors
Tensors are similar to NumPy's ndaeeays,不同的是可以在GPU上使用和加速計算。
導入包
from __future__ import print_function import torch
建立5*3的矩陣，未初始化
x = torch.empty(5,3) print(x)
out
tensor([[ 1.4395e-36, 4.5848e-41, 1.4395e-36],
[ 4.5848e-41, 1.4395e-36, 4.5848e-41],
[ 1.4395e-36, 4.5848e-41, 2.8026e-45],
[-1.9501e+00, 8.5165e+23, 0.0000e+00],
[ 2.5223e-43, 0.0000e+00, 0.0000e+00]])
建立隨機初始化矩陣
x = torch.rand(5,3) print(x)
out
tensor([[ 0.8074, 0.9175, 0.8109],
[ 0.3313, 0.5902, 0.9179],
[ 0.6562, 0.3283, 0.9798],
[ 0.8218, 0.0817, 0.4454],
[ 0.5934, 0.0040, 0.3411]])
建立零初始化矩陣，數(shù)據(jù)類型是Long
... x = torch.zeros(5,3,dtype = torch.long) print(x) ...
out
tensor([[ 0, 0, 0],
[ 0, 0, 0],
[ 0, 0, 0],
[ 0, 0, 0],
[ 0, 0, 0]])
建立一個tensor數(shù)據(jù)來源于data
x = torch.tensor([5.5,3]) print(x)
out
tensor([ 5.5000, 3.0000])
在原有tnesor的基礎上形成新的tensor，會繼承原有tensor的shapee和dtype等屬性，當然我么也可以修改這些屬性
x = x.new_ones(5,3,dtype = torch.double) print(x) x = torch.randn_like(x,dype = torch.float) print(x)
out
tensor([[ 1., 1., 1.],
[ 1., 1., 1.],
[ 1., 1., 1.],
[ 1., 1., 1.],
[ 1., 1., 1.]], dtype=torch.float64)
tensor([[-0.0730, -0.0716, -0.8259],
[-1.7004, 0.8790, -0.0659],
[-0.8969, 0.8736, -0.6035],
[-0.1539, -2.9178, -0.7456],
[-0.0245, 0.4075, 1.4904]])
獲取tensor的size
print(x.size())
out
torch.Size([5, 3])
torch.size是一個元組，支持所有元組(tuple)的操作
2、對Tensor的操作
實現(xiàn)加法的四種方式
方法一L
print(x+y)
方法二
print(torch.add(x,y))
方法三：輸出給額外的tensor
result = torch.empty(5,3) torch.add(x,y ,out= result) print (result)
方法四：原地替換-結果存放在y中
print(y)
所有原地替換
所有原地替換tensor的操作都有后綴，比如x.copy(y)，會改變x
使用標準的numpy操作
print(x[：1]
out
tensor([-0.0716, 0.8790, 0.8736, -2.9178, 0.4075])
使用torch.view 改變tensor的形狀
x = torch.randn(4,4) y = x.view(16) z = x.view(-1,8) # the size -1 is inferred from other dimensions print (x.size(),y.xize(),z.size())
out
torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])
tensor轉(zhuǎn)化為numpy的數(shù)字，使用item
x = torch.rnadn(1) print(x) print(x.item())
Torch Tensor 和numpy的相互轉(zhuǎn)換
a = torch.ones(5) print (a)
out
tensor([ 1., 1., 1., 1., 1.])
并且改變tensor的值會同時改變numpy的值
a.add_(1) print(a) print(b)
out
tensor([ 2., 2., 2., 2., 2.]) [ 2. 2. 2. 2. 2.]
將numpy array轉(zhuǎn)化為pytorch Tensor
import numpy as np a = np.ones(5) b = torch.from_numpy(a) np.add(a,1,out = a ) print(a) print（b）
out
[ 2. 2. 2. 2. 2.] tensor([ 2., 2., 2., 2., 2.], dtype=torch.float64)
所有在cpu上的tensor都支持numpy轉(zhuǎn)化，除了char形的tensor
CUDA Tensors
Tensors 可以被移動到其他設備使用.to的方法
... if torch.cuda.is_avaulable(): device = torch.device(“cuda”) y = torch.ones_like(x,device = devcie) x= x.to(device) z = x+y print(z) print(z.to(“cpu”,torch.double)) ...
out
tensor([-1.0620], device='cuda:0') tensor([-1.0620], dtype=torch.float64)
以上就是pytorch教程之Tensor學習筆記的詳細內(nèi)容，更多關于pytorch教程的資料請關注腳本之家其它相關文章！
相關文章
這篇文章主要介紹了python對象及面向?qū)ο蠹夹g,結合實例形式詳細分析了Python面向?qū)ο笏婕暗念?、對象、方法、屬性等概念與使用技巧,需要的朋友可以參考下2016-07-07
這篇文章主要為大家詳細介紹了微信跳一跳輔助的python代碼實現(xiàn)資料，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-01-01
這篇文章主要介紹了Python bsonrpc源碼的相關資料，幫助大家更好的理解和學習使用python，感興趣的朋友可以了解下2021-03-03
一篇不錯的Python入門教程...2007-02-02
這篇文章主要介紹了Python實現(xiàn)簡單的代理服務器,可實現(xiàn)代理服務器基本的包轉(zhuǎn)發(fā)功能,具有一定參考借鑒價值,需要的朋友可以參考下2015-07-07
Parser模塊為Python的內(nèi)部解析器和字節(jié)碼編譯器提供了一個接口,該接口的主要目的是允許Python代碼編輯Python表達式的分析樹并從中創(chuàng)建可執(zhí)行代碼,這篇文章主要給大家介紹了關于Python中Parser超詳細用法的相關資料,需要的朋友可以參考下2022-07-07
這篇文章主要介紹了python如何優(yōu)雅地關閉線程,在并發(fā)編程中,我們可能會創(chuàng)建新線程,并在其中運行任務,可能由于一些原因,決定停止該線程,那么應該如何正確關閉線程呢？文中給了詳細的解決方法,需要的朋友可以參考下2024-03-03
Python BentoML構建部署和管理機器學習模型技巧掌握
BentoML是一個開源的Python框架,旨在簡化機器學習模型的打包、部署和管理,本文將深入介紹BentoML的功能和用法,提供詳細的示例代碼和解釋,幫助你更好地理解和應用這個強大的工具2024-01-01
Python程序?qū)崿F(xiàn)向MySQL存放圖片
這篇文章主要介紹了Python程序?qū)崿F(xiàn)向MySQL存放圖片，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2023-03-03
這篇文章主要介紹了python uuid模塊使用實例,本文給出簡單使用示例,講解uuid1、uuid3、 uuid4、 uuid5這幾個方法,需要的朋友可以參考下2015-04-04