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脚本之家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脚本之家！