快捷導(dǎo)航

Pytorch創(chuàng)建隨機(jī)值張量的過(guò)程詳解

更新時(shí)間：2023年09月14日 15:13:50 作者：知識(shí)推薦號(hào)

這篇文章主要介紹了Pytorch創(chuàng)建隨機(jī)值張量的過(guò)程詳解,本文通過(guò)實(shí)例代碼給大家介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下

2-Pytorch創(chuàng)建隨機(jī)值張量

1 導(dǎo)入必備庫(kù)

import torch
import numpy as np

2 使用torch.rand()創(chuàng)建0-1均勻分布的隨機(jī)數(shù)

t = torch.rand(2,3)
print(t)

輸出：

tensor([[0.1452, 0.1435, 0.2124],
[0.6646, 0.5232, 0.1572]])

3 使用torch.randn()創(chuàng)建正態(tài)分布的隨機(jī)數(shù)

t = torch.randn(2,3)
print(t)

輸出：

tensor([[-0.5325, -0.4938, 0.6301],
[-0.6313, -0.1412, 2.2926]])

4 使用torch.zeros()創(chuàng)建全0張量

t = torch.zeros(3)
print(t)
print(t.dtype)

輸出：

tensor([0., 0., 0.])
torch.float32

5 使用torch.ones()創(chuàng)建全1張量

t = torch.ones(3)
print(t)
print(t.dtype)

輸出：

tensor([1., 1., 1.])
torch.float32

6 從另一個(gè)張量創(chuàng)建新的張量

x = torch.zeros_like(t)
print(x)
x = torch.rand_like(t)
print(x)

輸出：

tensor([0., 0., 0.])
tensor([0.6516, 0.5740, 0.6379])

7 張量的屬性：

tensor.shape返回張量的形狀，與tensor.size()方法等價(jià)，tensor.dtype返回當(dāng)前張量的類型

t = torch.ones(2,3,dtype= torch.float64)
print(t.shape)
print(t.size())
print(t.size(1)) # 返回第二維度大小
print(t.dtype)
print(t.device)

輸出：

torch.Size([2, 3])
torch.Size([2, 3])
3
torch.float64
cpu

8 將張量移動(dòng)到顯存，使用tensor.to()方法將張量移動(dòng)到GPU上

# 如果GPU可用，將張量移動(dòng)到顯存
# 設(shè)置使用哪塊芯片，多塊GPU使用逗號(hào)隔開(kāi)
# import os
# os.environ['CUDA_VISIBLE_DEVICES'] = '0'    # 多塊GPU設(shè)置，如：'0,1,2'
if torch.cuda.is_available():
    t = t.to('cuda')
print(t.device)

輸出：

cuda:0

9 更穩(wěn)妥的移動(dòng)顯存方法，無(wú)論是否有GPU都能保證運(yùn)行

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')   # 啟動(dòng)cuda
print("Using {} device".format(device))  # 打印當(dāng)前設(shè)備
t = t.to(device)
print(t.device)

輸出：

Using cuda device
cuda:0

到此這篇關(guān)于Pytorch創(chuàng)建隨機(jī)值張量的文章就介紹到這了,更多相關(guān)Pytorch隨機(jī)值張量?jī)?nèi)容請(qǐng)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！

您可能感興趣的文章:

相關(guān)文章

Python asyncio異步編程常見(jiàn)問(wèn)題小結(jié)
本文主要介紹了Python asyncio異步編程常見(jiàn)問(wèn)題小結(jié)，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧
2023-01-01
python進(jìn)程的狀態(tài)、創(chuàng)建及使用方法詳解
這篇文章主要介紹了python進(jìn)程的狀態(tài)、創(chuàng)建及使用方法,結(jié)合實(shí)例形式詳細(xì)分析了Python進(jìn)程的概念、原理、工作狀態(tài)、創(chuàng)建以及使用方法,需要的朋友可以參考下
2019-12-12
Pytorch pth 格式轉(zhuǎn)ONNX 格式的詳細(xì)過(guò)程
PyTorch 訓(xùn)練的模型，需要在Jetson nano 上部署，jetson 原生提供了TensorRT 的支持，所以一個(gè)比較好的方式是把它轉(zhuǎn)換成ONNX 格式，然后在通過(guò)ONNX 轉(zhuǎn)換成TensorRT 格式，這篇文章主要介紹了Pytorch pth 格式轉(zhuǎn)ONNX 格式,需要的朋友可以參考下
2023-05-05
解決Djang2.0.1中的reverse導(dǎo)入失敗的問(wèn)題
今天小編就為大家分享一篇解決Djang2.0.1中的reverse導(dǎo)入失敗的問(wèn)題，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧
2019-08-08
Pytorch各種維度變換函數(shù)總結(jié)
本文對(duì)于PyTorch中的各種維度變換的函數(shù)進(jìn)行總結(jié),包括reshape()、view()、resize_()、transpose()、permute()、squeeze()、unsqeeze()、expand()、repeat()函數(shù)的介紹和對(duì)比,感興趣的可以了解一下
2024-02-02
通過(guò)LyScript實(shí)現(xiàn)從文本中讀寫(xiě)ShellCode
LyScript 插件通過(guò)配合內(nèi)存讀寫(xiě)，可實(shí)現(xiàn)對(duì)特定位置的ShellCode代碼的導(dǎo)出。本文將利用這一特性實(shí)現(xiàn)從文本中讀寫(xiě)ShellCode，感興趣的可以了解一下
2022-08-08
快速解釋如何使用pandas的inplace參數(shù)的使用
這篇文章主要介紹了快速解釋如何使用pandas的inplace參數(shù)的使用，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧
2020-07-07
Python引用模塊和查找模塊路徑
這篇文章主要介紹了Python引用模塊和Python查找模塊路徑的相關(guān)資料,需要的朋友可以參考下
2016-03-03
Python元組超詳細(xì)講解(小白篇)
這篇文章主要介紹了Python元組超詳細(xì)講解的相關(guān)資料,元組是Python中的一種不可變序列類型,適用于存儲(chǔ)多個(gè)有序元素,它支持多種操作,如索引、切片、合并、重復(fù)等,文中通過(guò)代碼介紹的非常詳細(xì),需要的朋友可以參考下
2024-12-12
Python+Redis實(shí)現(xiàn)布隆過(guò)濾器
布隆過(guò)濾器（Bloom Filter）是1970年由布隆提出的。它實(shí)際上是一個(gè)很長(zhǎng)的二進(jìn)制向量和一系列隨機(jī)映射函數(shù)。這篇文章主要介紹了Python+Redis實(shí)現(xiàn)布隆過(guò)濾器,需要的朋友可以參考下
2019-12-12