前言

提示：这里可以添加本文要记录的大概内容：

本文记录一下，小白学习pytorch的过程。这次文章是第一次学习记录，内容是tensor的基本数据处理和计算操作。

提示：以下是本篇文章正文内容，下面案例可供参考

一、tensor是什么？

在深度学习中，我们通常会频繁地对数据进行操作。而在PyTorch中，torch.Tensor是存储和变换数据的主要工具。Tensor和NumPy的多维数组非常类似。
然而，Tensor提供了GPU计算和自动求梯度等更多功能，这些使Tensor更加适合深度学习。
"tensor"这个单词一般可译作“张量”，张量可以看作是一个多维数组。标量可以看作是0维张量，向量可以看作1维张量，矩阵可以看作是2维张量。

二、tensor的基本操作

1.tensor的创建

代码如下（示例）：

import torch
#创建一个未初始化的tensor
x = torch.empty(2,3)
#初始化一个随机的tensor
x = torch.rand(2,3)
#初始化一个long型全0的tensor
x = torch.zeros(2,3,dtype=torch.long)
#初始化一个确定好数值的tensor
x = torch.tensor([[5,5,2],[1,2,3]])
#默认具有相同的dtype和device
x = x.new_ones(2,3,dtype=torch.float6）
#指定新的tensor y 具有和x一样的形状
y = torch.randn_like(x,dtype=torch.float)
#获取tensor的形状
x.shape
x.size()

其他创建tensor的函数：

2.基础操作

a = torch.tensor([[5,5,2],[1,2,3]])
b = torch.tensor([[5,5,2],[1,2,3]])
#1.加法
(a + b)
(torch.add(a,b))
#2.减法
(a - b)
#3.除法
(a / b)
#4.乘法(列数必须统一)
a*b
#5.改变形状
y = x.view(6)
z = x.view(-1, 2)  # -1所指的维度可以根据其他维度的值推出来
print(x.size(), y.size(), z.size())#torch.Size([2, 3]) torch.Size([6]) torch.Size([3, 2])
#6.共享内存空间
x += 1
print(x)
print(y) # y也加了1#tensor([[2.0910, 2.5265, 2.3833],[1.4564, 1.3117, 1.5181]])#tensor([2.0910, 2.5265, 2.3833, 1.4564, 1.3117, 1.5181])#view()返回的新Tensor与源Tensor虽然可能有不同的size，但是是共享data的，
也即更改其中的一个，另外一个也会跟着改变。
#7.矩阵乘法
a = torch.ones(2,2) * 3
b = torch.ones(2,2)
#三种表达方式
torch.mm(a,b)    # 只适用于2维
torch.matmul(a,b)
troch.mul(a,b)
a@b#tensor([[6., 6.],[6., 6.]])
#8.unsqueeze 删除纬度
a = torch.tensor([1.2,2.3])
a       # tensor([1.2000, 2.3000])
a.shape
# torch.Size([2])
a.unsqueeze(-1) # tensor([[1.2000],[2.3000]])  shape 是torch.Size([2, 1])
a.unsqueeze(0)  # tensor([[1.2000, 2.3000]])   shape 是torch.Size([1, 2])
b = torch.rand(32)
f = torch.rand(4,32,14,14)
b = b.unsqueeze(1).unsqueeze(2).unsqueeze(0)
b.shape # torch.Size([1, 32, 1, 1])
#9.squeeze 增加纬度
b = torch.rand(32)
b = b.unsqueeze(1).unsqueeze(2).unsqueeze(0)
b.shape # torch.Size([1, 32, 1, 1])
# 若不填写参数，则把维度shape是1的都给删除掉
# 只能删除维度shape是1的那些维度
b.squeeze().shape # torch.Size([32])
b.squeeze(0).shape # torch.Size([32, 1, 1])

3.索引与切片

# 4张3通道28*28的图片
a = torch.rand(4,3,28,28)
a[0].shape     # torch.Size([3, 28, 28])
a[0,0].shape   # torch.Size([28, 28])
a[0,0,2,4]     # tensor(0.9831) 标量
# 4张3通道28*28的图片
a = torch.rand(4,3,28,28)
a.shape             # torch.Size([4, 3, 28, 28])
a[:2].shape         # torch.Size([2, 3, 28, 28])
a[:2,:1,:,:].shape  # torch.Size([2, 1, 28, 28])
a[:2,1:,:,:].shape  # torch.Size([2, 2, 28, 28])
a[:2,-1:,:,:].shape # torch.Size([2, 1, 28, 28])
a[:,:,0:28:2,0:28:2].shape  # torch.Size([4, 3, 14, 14])
a[:,:,::2,::2].shape        # torch.Size([4, 3, 14, 14])
————————————————
版权声明：本文为CSDN博主「错错莫」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/bit452/article/details/115278139

4.广播机制

当我们对两个形状不同的Tensor按元素运算时，可能会触发广播（broadcasting）机制：先适当复制元素使这两个Tensor形状相同后再按元素运算。例如

x = torch.arange(1, 3).view(1, 2)
print(x)
y = torch.arange(1, 4).view(3, 1)
print(y)
print(x + y)#tensor([[1, 2]]) #tensor([[1], [2], [3]]) #tensor([[2, 3], [3, 4], [4, 5]])

5.tensor和numpy的互相转换

我们可以使用numpy()和from_numpy()将Tensor和NumPy中的数组相互转换。但是需要注意的一点是：这两个函数所产生的的Tensor和NumPy中的数组共享相同的内存（所以他们之间的转换很快），改变其中一个时另一个也会改变！
还有一个常用的将NumPy中的array转换成Tensor的方法就是torch.tensor(), 需要注意的是，此方法总是会进行数据拷贝（就会消耗更多的时间和空间），所以返回的Tensor和原来的数据不再共享内存。

#np转tensor
a = np.ones(3)
b = torch.from_numpy(a)
print(a, b)
a += 1
print(a, b)
b += 1
print(a, b)#[1. 1. 1.] tensor([1., 1., 1.], dtype=torch.float64) #[2. 2. 2.] tensor([2., 2., 2.], dtype=torch.float64) #[3. 3. 3.] tensor([3., 3., 3.], dtype=torch.float64)
#使用torch.tensor()将NumPy数组转换成Tensor（不再共享内存）
c = torch.tensor(a)
a += 1
print(a, c)
[4. 4. 4.] tensor([3., 3., 3.], dtype=torch.float64)
#tensor转np
a = torch.ones(5)
b = a.numpy()

6.在GPU上使用tensor

用方法to()可以将Tensor在CPU和GPU（需要硬件支持）之间相互移动。

# 以下代码只有在PyTorch GPU版本上才会执行
if torch.cuda.is_available():device = torch.device("cuda")          # GPUy = torch.ones_like(x, device=device)  # 直接创建一个在GPU上的Tensorx = x.to(device)                       # 等价于 .to("cuda")z = x + yprint(z)print(z.to("cpu", torch.double))       # to()还可以同时更改数据类型#tensor([[2, 3]], device='cuda:0’) #tensor([[2., 3.]], dtype=torch.float64)

总结

以上就是今天要讲的内容，本文简单介绍了tensor的一些基础使用方法。

Tensor基础操作总结相关推荐

深度学习（6）TensorFlow基础操作二: 创建Tensor
深度学习(6)TensorFlow基础操作二: 创建Tensor 一. 创建方式 1. From Numpy,List 2. zeros,ones (1) tf.zeros() (2) tf.zero ...
Tensorflow:张量(Tensor)的创建及其基础操作
Tensorflow版本:V2.8.0 Tensorflow中所有的运算操作都是基于张量进行的.Tensorflow中的张量Tensor是具有统一类型的多维数组.这篇博文主要介绍张量的创建及基础操 ...
Tensor基础实践
Tensor基础实践飞桨(PaddlePaddle,以下简称Paddle)和其他深度学习框架一样,使用Tensor来表示数据,在神经网络中传递的数据均为Tensor. Tensor可以将其理解为多维 ...
深度学习（11）TensorFlow基础操作七: 向前传播（张量）实战
深度学习(11)TensorFlow基础操作七: 向前传播(张量)实战 1. 导包 2. 加载数据集 3. 转换数据类型 4. 查看x.shape, y.shape, x.dtype, y.dtype ...
深度学习（10）TensorFlow基础操作六: 数学运算
深度学习(10)TensorFlow基础操作六: 数学运算 1. Operation type 2. + - * / % // 3. tf.math.log & tf.exp 4. log2, ...
深度学习（7）TensorFlow基础操作三: 索引与切片
深度学习(7)TensorFlow基础操作三: 索引与切片一. 基础索引 1. Basic indexing 2. Numpy-style indexing 3. start : end 4. 切片 ...
深度学习（5）TensorFlow基础操作一: TensorFlow数据类型
深度学习(5)TensorFlow基础操作一: TensorFlow数据类型 Data Container(数据载体) What's Tensor TF is a computing lib(科学计算 ...
Pytorch基础操作 —— 6. 如何使用自定义数据集
文章目录自定义数据集 Step 1. 熟悉你的数据集有数据就要有标签数据大小.维度一定要一样归一化 Step 2. 确定如何加载你的数据集使用 DataLoader 批量加载数据需要注意的 ...
《Tensorflow 从基础到实战》01 安装与基础操作、手写数据集、逻辑回归
书山有路勤为径,学海无涯苦作舟凡我不能创造的,我就不能理解 1. 安装与简介 1.1 安装在anaconda的promat pip install tensorflow 不能安装的话,外部安装网址 ...

Tensor基础操作总结

文章目录

前言