一、Tensor

Tensor(张量是一个统称，其中包括很多类型)：

0阶张量：标量、常数、0-D Tensor；1阶张量：向量、1-D Tensor；2阶张量：矩阵、2-D Tensor；……

二、Pytorch如何创建张量

2.1 创建张量

import torch

t = torch.Tensor([1, 2, 3])
print(t)

2.2 tensor与ndarray的关系

两者之间可以相互转化

import torch
import numpy as np

t1 = np.array(torch.Tensor([[1, 2, 3],
        [1, 2, 3]]))
t2 = torch.Tensor(np.array([[1, 2, 3],
        [1, 2, 3]]))

运行结果：

2.3 常用api

torch.empty(x,y)

创建x行y列为空的tensor。

torch.ones([x, y])

创建x行y列全为1的tensor。

torch.zeros([x,y])

创建x行y列全为0的temsor。

zeros与empty的区别

后者的数据类型是不固定的。

torch.rand(x, y)

创建3行4列的随机数，随机数是0-1。

torch.randint(low, high, size)

创建一个size的tensor，随机数为low到high之间。

torch.randn([x, y])

创建一个x行y列的tensor，随机数的分布式均值为0，方差1。

2.4 常用方法

item()：

获取tensor中的元素，注意只有一个元素的时候才可以用。

numpy()：

转化成ndarray类型。

size()

获取tensor的形状。

view()

浅拷贝，tensor的形状改变。

可以传参，表示获取第几个。若参数为-1，表示不确定，与另一个参数的乘积等于原始形状的乘积。 例如：原始形状为8，则view(-1,2) ⇒ view(4, 2)； 参数只有-1，表示一维。

dim()

获取维度。

max()

获取最大值。

t()

转置。

transpose(x,y)

x，y是size里面返回的形状相换。

permute()

传入size()返回的形状的顺序。

transpose与permute的区别

前者传入列即可相互交换；后者传入列会根据传入的顺序来进行转化，且需要传入所有列数的索引。

取值[第一阶, 第二阶,……]

一个逗号隔开代表一个阶乘冒号代表全取

赋值[第一阶, 第二阶,……]

直接赋值即可

三、数据类型

3.1 获取数据类型

tensor.dtype

获取数据类型

设置数据类型

注意使用Tensor()不能指定数据类型。

type()

修改数据类型。

四、tensor的其他操作

4.1 相加

torch.add(x, y)

将x和y相加。

直接相加

tensor.add()

使用add_() 可相加后直接保存在tensor中

4.2 tensor与数字的操作

tensor + 数值

五、CUDA中的tensor

CUDA (Compute Unified Device Architecture)，是NVIDIA推出的运算平台。CUDATM是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。
torch.cuda这个模块增加了对CUDA tensor的支持，能够在cpu和gpu上使用相同的方法操作tensor通过.to方法能够把一个tensor转移到另外一个设备(比如从CPU转到GPU)

可以使用torch.cuda.is_available()判断电脑是否支持GPU

到此这篇关于Python深度学习之Pytorch初步使用的文章就介绍到这了,更多相关Pytorch初步使用内容请搜索python博客以前的文章或继续浏览下面的相关文章希望大家以后多多支持python博客！