Pytorch 笔记——tensor
tensor和numpy中的ndarray很相似,唯一的不同是tensor可以应用在GPU上,来加速计算。
1 创建tensor
randn(size) |
创建一个标准正态分布内随机的矩阵 |
|
zeros(size) |
全零矩阵 |
|
tensor(list) |
创建一个内容为参数的tensor |
|
linspace |
同numpy |
|
randperm |
返回一个0到n-1的数组 |
基本上创建的这些函数都有一个对应的like函数(randn_like,zeros_like…)来创建一个size和形参一样的tensor
2 tensor和ndarray的转换
无论谁转换成谁,转换的tensor和ndarray都是另一个的引用,要变一起变。
2.1 tensor->ndarray
2.2 ndarray->tensor
3 cuda和cpu的tensor切换
4 一些关于tensor的运算
很多运算符都在末尾有一个_,表示inplace操作
加法 |
+ |
|
tensor.add |
||
torch.add |
||
修改一个的值 (很多运算符都在末尾有一个_,表示inplace操作 |
5. torch的函数
很多函数 torch.func(tensor)和tensor.func()是等价的。
size() |
tensor的形状 |
|
view |
torch里面的“reshape” |
|
item |
如果tensor中只有一个元素的时候,使用这个函数获取这个 数值 |
|
abs |
绝对值 |
|
sin |
||
mm |
矩阵相乘 |
|
pow |
幂 |
|
cat |
合并数组 |
axis=0 沿着列的方向[1…n][0] axis=1 沿着行的方向[0][1;;;n] axis=0 (从左往右数)第0个坐标的元素叠加,其他坐标的元素不变 axis=1 第1个坐标的元素叠加,其他坐标的元素不变 |
max |
如果又axis参数的话,返回的第一个下标是所有的最大值,第二个下标是最大值对应的index。 axis=0 [1~n][0]里面找到最大的一个, 也就是第零个坐标的参数变化(去比较),其他坐标的参数不变 axis=1 [0][1~n]里面找到最大的一个, 也就是第一个坐标的参数变化(去比较),其他坐标的参数不变 |
|
narrow() |
截取tensor的一部分 |
返回的部分和input 共享内存 input 需要被截取的tensor dim 沿着那个维度截取 start 起始截取下标 length 截取多长的 (沿着第0个下标截取) (沿着第1个下标截取) |
squeeze() |
我们首先创建一个维度为(1,2,3)的tensor 然后对他squeeze 只有squeeze对应的维度为1的时候,我们才会把这个维度去掉,不然的话维度保持不变 |
|
unsqueeze |
||
masked_fill(data,x) |
将data为True的相应位置的值替换为x |
numel |
tensor中元素的个数 | |
permute |
tensor维度换位 |
(2,0,1)的意思是,维度变换成:(原来的第二个,原来的第0个,原来的第1个) |
t |
转置 | |
logical_not | 逻辑取反 |
Pytorch 笔记——tensor相关推荐
- pytorch笔记:contiguous tensor 存储知识
1 contiguous contiguous直观的解释是Tensor底层一维数组元素的存储顺序与Tensor按行优先一维展开的元素顺序是否一致. 1.1 tensor的存储 Tensor多维数组底层 ...
- pytorch笔记:policy gradient
本文参考了 策略梯度PG( Policy Gradient) 的pytorch代码实现示例 cart-pole游戏_李莹斌XJTU的博客-CSDN博客_策略梯度pytorch 在其基础上添加了注释和自 ...
- pytorch 笔记:手动实现AR (auto regressive)
1 导入库& 数据说明 import numpy as np import torch import matplotlib.pyplot as plt from tensorboardX im ...
- pytorch 笔记:tensorboardX
1 SummaryWriter 1.1 创建 首先,需要创建一个 SummaryWriter 的示例: from tensorboardX import SummaryWriter#以下是三种不同的初 ...
- pytorch 笔记:DataLoader 扩展:构造图片DataLoader
数据来源:OneDrive for Business 涉及内容:pytorch笔记:Dataloader_UQI-LIUWJ的博客-CSDN博客 torchvision 笔记:ToTensor()_U ...
- (d2l-ai/d2l-zh)《动手学深度学习》pytorch 笔记(2)前言(介绍各种机器学习问题)以及数据操作预备知识Ⅰ
开源项目地址:d2l-ai/d2l-zh 教材官网:https://zh.d2l.ai/ 书介绍:https://zh-v2.d2l.ai/ 笔记基于2021年7月26日发布的版本,书及代码下载地址在 ...
- (d2l-ai/d2l-zh)《动手学深度学习》pytorch 笔记(3)前言(介绍各种机器学习问题)以及数据操作预备知识Ⅲ(概率)
开源项目地址:d2l-ai/d2l-zh 教材官网:https://zh.d2l.ai/ 书介绍:https://zh-v2.d2l.ai/ 笔记基于2021年7月26日发布的版本,书及代码下载地址在 ...
- Pytorch笔记:风格迁移
Pytorch笔记:风格迁移 训练模型:风格迁移网络+VGG16网络 生成网络:风格迁移网络 代码如下(根据陈云<深度学习框架:Pytorch入门与实践>的代码改动) main.py im ...
- 深度学习PyTorch笔记(9):自动求导
深度学习PyTorch笔记(9):自动求导 4. 自动求导 4.1 理解 4.2 梯度 4.3 .requires_grad与.grad_fn 4.4 调用.backward()反向传播来完成所有梯度 ...
最新文章
- android o 全机型推送,氢OS(Android O)官方更新推送 一加两款机型完成适配
- 5 年开发搞不定 MySQL !
- leetcode1466. 重新规划路线(dfs)
- lisp中怎样调取图形_CAD的lisp程序已加载,怎样绘图?
- 奥维地图从服务器获取信息超时,2021奥维地图不能用了原因及解决办法
- 阿里云的对象存储服务,oss 简介
- SYN包与SYN攻击原理
- 微信小程序:南大小百合客户端
- C#学习笔记(三)—–C#高级特性:dynamic
- IOS开发大神装逼神器
- python xlrd读取文件报错_python利用xlrd读取excel文件始终报错原因
- hypermesh 连接单元_HRS连接器U.FL-R-SMT-1(10)插座样图查询
- jstack 命令使用经验总结和线程性能诊断脚本
- linux系统进程有哪几种主要状态,Linux 进程状态详解
- py2下hbase的字符串编码问题(\\xe7\\xbc\\x96)
- 浅显易懂地看LLC变换器(一)
- hbw-utils - 关于hutool的parseInt方法
- VMware安装windows server 2012 r2详细教程(附下载链接)
- 检查Logic Java 课程最近一次考试。如果全部没有通过考试(60分及格),则认为本次考试偏难,计算该次考试平均分加5分。
- 前端安全:CSRF、XSS该怎么防御?
热门文章
- IOS热更新-JSPatch实现原理+Patch现场恢复
- VirtualBox 使用 NAT 方式网络的 SSH 连接
- SlidingMenu(一)
- [置顶] Mybatis技术(二) MyBatis-Spring
- android上使用git
- 【探索】Web新概念——资料横向显示(欢迎点评)
- Silverlight2 边学边练 之三 小球自由落体
- mysql killed 不掉,解决:kernel: Out of memory: Killed process 15967, UID 27, (mysqld).
- mysql主从同步默认延迟_减少mysql主从数据同步延迟问题的详解
- oracle不维护java_宣布 Java 8 停止维护后,Oracle 又毙掉了 JavaOne!