成都企业网站建设介绍,做网站的电话,怎么建网站教程图解,邢台网站建设的公司一、说明 Tensor 是一种特殊的数据结构#xff0c;与数组和矩阵非常相似。在 PyTorch 中#xff0c;我们使用张量对模型的输入和输出以及模型的参数进行编码。 张量类似于 NumPy 和 ndarray#xff0c;除了张量可以在 GPU 或其他硬件加速器上运行。事实上#xff0c;张量和… 一、说明 Tensor 是一种特殊的数据结构与数组和矩阵非常相似。在 PyTorch 中我们使用张量对模型的输入和输出以及模型的参数进行编码。 张量类似于 NumPy 和 ndarray除了张量可以在 GPU 或其他硬件加速器上运行。事实上张量和 NumPy 数组通常可以共享相同的底层内存地址具有称为桥接到 np 标签的功能这消除了复制数据的需要。张量也针对自动微分进行了优化。如果你熟悉ndarrays那么你就可以熟悉Tensor API。如果没有请跟着走 让我们从设置环境开始。 %matplotlib inline
import torch
import numpy as np 二、初始化张量 张量可以通过多种方式初始化。例如 直接从数据 data [[1,2], [3,4]]
x_data torch.tensor(data) 从数字派数组 张量可以从 NumPy 数组创建反之亦然。由于 numpy np_array 和张量 x_np 共享相同的内存位置因此更改其中一个的值将影响另一个。 np_array np.array
x_np torch.from_numpy(np_array) 从另一个张量 x_ones torch.ones_like(x_data)
x_rand torch.rand_like(x_data, dtype torch.float) 使用随机值或常量值 在下面的函数中它确定输出张量的维数。形状是张量维度的元组。它显示了张量中的行数和列数例如shape #行#列。 shape (2,3,)
rand_tensor torch.rand(shape)
ones_tensor torch.ones(shape)
zeros_tensor torch.zeros(shape)print(fRandom Tensor: \n {rand_tensor} \n)
print(fOnes Tensor: \n {ones_tensor} \n)
print(fZeros Tensor: \n {zeros_tensor}) Random Tensor: tensor([[0.4424, 0.4927, 0.5646],[0.7742, 0.0868, 0.3927]]) Ones Tensor: tensor([[1., 1., 1.],[1., 1., 1.]]) Zeros Tensor: tensor([[0., 0., 0.],[0., 0., 0.]]) 2.1 张量的属性 张量属性描述了它的形状、数据类型以及存储它们的设备。 tensor torch.rand(3,4)
print(fShape of tensor: {tensor.shape})
print(fDatatype of tensor: {tensor.dtype})
print(fDevice tensor is stored on: {tensor.device}) Shape of tensor: torch.Size([3, 4])
Datatype of tensor: torch.float32
Device tensor is stored on: cpu T这里有 100 多种张量运算包括算术、线性代数、矩阵操作转置、索引、切片。这些操作中的每一个都可以在 GPU 上运行。 CPU 最多有 16 个内核。核心是执行实际计算的单元。每个核心按顺序处理任务一次一个任务。GPU 有 1000 个内核。GPU 内核以并行处理方式处理计算。任务在不同的内核之间划分和处理。这就是在大多数情况下使GPU比CPU更快的原因。GPU 处理大数据的性能优于处理小数据。GPU 通常用于图形或神经网络的高强度计算。 默认情况下张量是在 CPU 上创建的。张量也可以计算到 GPU;为此您需要使用 .to 方法移动它们在检查 GPU 可用性之后。 if torch.cuda.is_available():tensor tensor.to(cuda) 2.2 索引和切片张量 tensor torch.ones(4,4)
print(First row: , tensor[0])
print(First column: , tensor[:, 0])
print(Last column: , tensor[..., -1])tensor[:,1] 0
print(tensor) First row: tensor([1., 1., 1., 1.])
First column: tensor([1., 1., 1., 1.])
Last column: tensor([1., 1., 1., 1.])
tensor([[1., 0., 1., 1.],[1., 0., 1., 1.],[1., 0., 1., 1.],[1., 0., 1., 1.]]) 2.3 连接张量 t1 torch.cat([tensor, tensor, tensor], dim1)
print(t1) tensor([[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.]]) 您可以使用 torch.cat 沿给定维度连接一系列张量。torch.stack是另一个与 torch.cat 略有不同的张量连接选项。 2.4 算术运算 # This computes the matrix multiplication between two tensors.
# y1, y2, y3 have the same value
y1 tensor tensor.T
y2 tensor.matmul(tensor.T)y3 torch.rand_like(tensor)
torch.matmul(tensor, tensor.T outy3)# This computes the element-wise product.
# z1, z2, z3 have the same value
z1 tensor * tensor
z2 tensor.mul(tensor)z3 torch.rand_like(tensor)
torch.mul(tensor, tensor, outz3) tensor([[1., 0., 1., 1.],[1., 0., 1., 1.],[1., 0., 1., 1.],[1., 0., 1., 1.]]) 2.5 单元素张量 agg tensor.sum()
agg_item agg.item()
print(agg_item, type(agg_item)) 12.0 class float 如果您有一个单元素张量例如通过将张量的所有值聚合为一个值您可以使用函数 item() 将其转换为 Python 数值。 2.6 就地操作 print(tensor, \n)
tensor.add_(5)
print(tensor) tensor([[1., 0., 1., 1.],[1., 0., 1., 1.],[1., 0., 1., 1.],[1., 0., 1., 1.]]) tensor([[6., 5., 6., 6.],[6., 5., 6., 6.],[6., 5., 6., 6.],[6., 5., 6., 6.]]) 将结果存储到操作数中的操作称为就地操作。它们由 _ 后缀表示。例如x.copy_(y)、x.t_() 将更改 x。 2.7 张量到 NumPy 数组 t torch.ones(5)
n t.numpy()
print(ft: {t})
print(fn: {n})# A change in tensor reflects in the NumPy array.
t.add_(1)
print(ft: {t})
print(fn: {n}) t: tensor([1., 1., 1., 1., 1.])
n: [1. 1. 1. 1. 1.]
t: tensor([2., 2., 2., 2., 2.])
n: [2. 2. 2. 2. 2.] 2.8 NumPy 数组到张量 n np.ones(5)
t torch.from_numpy(n)# A change in Numpy array reflects in the tensor.
np.add(n, 1, outn)
print(ft: {t})
print(fn: {n}) t: tensor([2., 2., 2., 2., 2.], dtypetorch.float64)
n: [2. 2. 2. 2. 2.] 下一 PyTorch 简介 2/7
