营销型网站设计难不难,成都网站设计建设,网站规划设计是什么,东莞谷歌推广公司import torch
from PIL import Image
from torchvision import transforms # 获取元素值 tensor.item() 返回一个数值 只能是tensor里面有一个数字的
# 我们可以把单个元素tensor转换为Python数值#xff0c;这是非常常用的操作
# tensor 里面超过了1个数字就不行
def g…import torch
from PIL import Image
from torchvision import transforms # 获取元素值 tensor.item() 返回一个数值 只能是tensor里面有一个数字的
# 我们可以把单个元素tensor转换为Python数值这是非常常用的操作
# tensor 里面超过了1个数字就不行
def get_item(): t1torch.tensor(1) t2torch.tensor([[[100]]]) xt1.item() print(x) xt2.item() print(x) pass
# 元素值四则运算
def compute(): # 加减乘除 torch.manual_seed(666) t1torch.rand(3,3) # 末尾有下划线的直接是改变原来的数据 # 对tensor里面的每个元素都 进行 四则运算操作 # add t1_addt1.add(1) t1.add_(1) # - sub t1_subt1.sub(-1) t1.sub_(1) # * / 次方同理 mul div pow # 也可以通过运算符号来进行 tensor类里面有魔术方法实现了 四则 次方 // % 都可以 这个没有对原来数据进行改变的 t2t110 t3t1**2 print(t3) pass def hadamard(): # 两个tensor相同位置的元素相乘 两个tensor形状要一样 # 阿达玛积指的是矩阵对应位置的元素相乘可以使用mul函数或者*来实现 其实就是上面的乘法换成了 两个tensor 相乘 data1 torch.tensor([[1, 2, 3], [4, 5, 6]]) data2 torch.tensor([[2, 3, 4], [2, 2, 3]]) print(data1 * data2) print(data1.mul(data2)) pass # 点积
def dotProduct(): # 就是矩阵乘法的意思 第一个矩阵列数 和第二个矩阵的行数要相同 结果矩阵的形状为(第一个矩阵的行第二个矩阵的列) data1 torch.tensor([ [1, 2, 3], [4, 5, 6] ]) data2 torch.tensor([ [3, 2], [2, 3], [5, 3] ]) # 使用或者matmul完成Tensor的乘法。 是点积的符号 ab matmul和 mm是tensor的方法 mm只能用于二维的矩阵乘法 就是只有行列的 一般都是二维或者三维 乘法没有交换律注意顺序 # mm方法也可以用于矩阵相乘 但是只能用于2维矩阵即:$$m*k$$和$$k*n$$ 得到$$m*n$$ 的矩阵 res1data1 data2 res2data1.matmul(data2) res3data1.mm(data2) pass # 索引操作
def index(): torch.manual_seed(666) t1torch.rand(3,5,5) # 跟np数组嵌套的索引差不多 就是嵌套列表的取法 套几个索引 t1[1] t1[1,1] t1[1,1,1] # 取范围 第一维取 0 和1 取出来的矩阵在取 1 t1[0:2,1] t1[0:2,1:3] t1[[1,2]] # 取第一维的1和3 在一个维度上取多个的时候传个矩阵进去 这个不会降维的 取出来就相当于重新组了一下 不是切片 t1[[1,2],[1,1]] # 对应 矩阵取出来 [1,1] [2,1] # 也可以进行布尔运算 跟np差不多 返回的是一个布尔矩阵 布尔矩阵可以拿去 返回为ture的元素 返回出来变为1维的了 x2t10.5 # print(x2) # print(t1[x2]) # print(t1[t10.5]) # 行级别的条件索引 t2torch.rand(5,5) x3t2[:,1]6 # 所有行的第一列大于6的 前面是行范围 后面是范围 对应一维范围 二维范围 三维范围。。。。 最后一维范围只能是一个数 对最后一维进行判断或者赋值 t1[0:2,0:2,1]0.5 t2[x3] # 索引也可以拿来赋值 就是修改数据 取索引然后赋值 t2[:,:]6 print(t2) pass # 张量的拼接 torch的方法 返回一个新的tensor
# 在 PyTorch 中cat 和 stack 是两个用于拼接张量的常用操作但它们的使用方式和结果略有不同
# - **cat**在现有维度上拼接不会增加新维度。
# - **stack**在新维度上堆叠会增加一个维度。 def splice(): torch.manual_seed(666) t1torch.rand(3,3) t2torch.rand(3,3) # torch.catconcatenate 的缩写用于沿现有维度拼接张量。换句话说它在现有的维度上将多个张量连接在一起。 就是np数组的拼接方式 # torch.cat 传参 第一个 数组 里面是要拼接的tensor 第二个 dim 拼接的轴 注意 拼接的轴 另一个轴的数据量要一样 拼接的轴数据量可以不一样 # 拼接 一个人完了再下一个人 t3torch.cat([t1,t2],dim0) # print(t3) # 堆叠 交替添加 # torch.stack 用于在新维度上拼接张量。换句话说它会增加一个新的维度然后沿指定维度堆叠张量 两个矩阵必须size一样 t4torch.stack([t1,t2],dim2) print(t4.shape) # stack 补充解析 # 1. 从维度的视角看 会新加一个维度 维度的大小为进行stack矩阵的数量 然后这个位置在新tensor的位置就是dim # 2. 从矩阵变换的视角看 比如二维矩阵 dim 0 就是自己创建一个新的数组然后把 进行stack的两个矩阵放进去 # dim1 就是两个矩阵 轮流取第一层的元素组成一个新矩阵的第一层 # dim2 就是两个矩阵 轮流取第二层的元素组成新矩阵的第二层 新矩阵的第一层为 pass # stack应用 把Image的tensor 转为 cv2的tensor
def demo1(): transform1transforms.ToTensor() img1Image.open(assets/image/1.png) # img1_t1transform1(img1) img1_t1torch.rand(4,5,6,7) print(img1_t1.shape) img1_t2torch.stack([img1_t1[0],img1_t1[1],img1_t1[2],img1_t1[3]],dim3) print(img1_t2.shape) if __name____main__: # get_item() # compute() # hadamard() # dotProduct() # index() # splice() # demo1() splice() pass import torch
from PIL import Image
from torchvision import transforms
def sci(): torch.set_printoptions(sci_modeFalse) return 0
# 形状操作
# reshape torch 的方法 改玩后的形状 的 元素个数要跟原来的一样 比如原来是10*10 改完后的元素个数必须为100 返回新的tensor
# 可以用于将张量转换为不同的形状但要确保转换后的形状与原始形状具有相同的元素数量。
def reshape1(): torch.manual_seed(666) t1torch.rand(20,4) # print(t1) t2torch.reshape(t1,(4,20)) # 传入被改的tensor 和形状 # 可以有一个维度为-1 代表程序自己通过其他维度的元素数量 自己算这个维度的元素数量 t3torch.reshape(t1,(40,-1)) print(t3) pass # 也可以用view变形 tensor的方法
# 这个只能对张量里面的元素是内存连续的 才可以
# 对刚创建出来的tensor进行操作后 就很容易内存不连续 比如转置
# 返回的是原始张量视图不重新分配内存效率更高; 比reshape快 这个相当于浅拷贝 不会开新的内存 就是把原来的内存重新排列一下下标
def view1(): torch.manual_seed(666) t1torch.rand(20,4) t2t1.view(4,20) t2[:,-1]6 print(t2) print(t1) pass # 交换维度 在二维矩阵上像转置一样
# transpose troch 方法 跟view 一样返回的是原tensor的视图 浅拷贝
# permute tensor 方法 返回一个新的 对维度重新排列 不是浅拷贝
def transpose1(): torch.manual_seed(666) t1torch.rand(20,4) t3torch.rand(20,4,3) t2torch.transpose(t1,0,1) # 传入tensor和要交换的维度 t4torch.transpose(t3,1,2) # print(t4.shape) t5t3.permute(1,2,0) # 传入 维度 传入维度的顺序为新的 tensor的维度排序 交换维度 pass # tensor展平
# flatten tensor 方法
# flatten 用于将张量展平为一维向量
def flatten1(): torch.manual_seed(666) t1torch.rand(20,4,3) t2t1.flatten() # 传入开始 展平的层数 和结束展平的层数 sci() print(t2) pass
# 升维和降维
# 在后续的网络学习中升维和降维是常用操作需要掌握。 tensor 方法 返回新的
# - **unsqueeze**用于在指定位置插入一个大小为 1 的新维度。 加个[]
# - **squeeze**用于移除所有大小为 1 的维度或者移除指定维度的大小为 1 的维度
def squeeze(): # 降维 一般用于 那些维度的元素数量为1的 直接就删掉了那个维度 torch.manual_seed(666) t1torch.rand(20,4,3,1,1) t2t1.squeeze() # 传入要删除的维度 默认全部 大小为1 的维度都要删 print(t2) pass # 升维
def unsqueeze(): # 升维 在一个维度上 加一个维度 一般都在指定维度的前面 torch.manual_seed(666) t1torch.rand(20,4,3,1,1) t2t1.unsqueeze(2) # 传入要删除的维度 默认全部 大小为1 的维度都要删 print(t2.shape) pass # 分割
# 可以按照指定的大小或者块数进行分割。
# chunk torch方法 按照传入的块数分割 平均 分完后元素的行数个数是平均的 列是最后被分的
# split 按照传入的每一块的元素 的行数分割
# 返回的都是 元组
def split1(): torch.manual_seed(666) t1torch.rand(20,4) t2torch.chunk(t1,20) t3torch.split(t1,2) print(t3[0].shape) # 广播机制 跟numpy差不多
# 广播机制
# 广播机制允许在对不同形状的张量进行计算而无需显式地调整它们的形状。广播机制通过自动扩展较小维度的张量使其与较大维度的张量兼容从而实现按元素计算。
# 广播机制规则
# 广播机制需要遵循以下规则
# - 每个张量的维度至少为1
# - 满足右对齐
# 被广播的那个矩阵 的被广播的维度大小为1 if __name____main__: # reshape1() # view1() # transpose1() # flatten1() # squeeze() # unsqueeze() split1() pass
