Pytorch基础（一）初始tensor

本文主要包括Pytorch中张量的基本操作

#!/usr/bin/env torch
# -*- coding:utf-8 -*-
# @Time  : 2021/1/30, 12:07
# @Author: Lee
# @File  : base_process.pyfrom __future__ import print_function
import torchx1 = torch.empty(5, 3)  # 生成一个5行3列的矩阵，不初始化
print('torch.empty(5, 3)：\n', x1)
"""
torch.empty(5, 3)：tensor([[9.2755e-39, 1.0561e-38, 6.9796e-39],[9.2755e-39, 8.9082e-39, 8.9082e-39],[1.0194e-38, 9.1837e-39, 4.6837e-39],[9.2755e-39, 1.0837e-38, 8.4490e-39],[1.1112e-38, 1.0194e-38, 9.0919e-39]])"""x2 = torch.rand(5, 3)  # 生成一个5行3列的0-1随机数字的tensor
print('torch.rand(5, 3)：\n', x2)
"""
torch.rand(5, 3)：tensor([[0.5743, 0.3368, 0.9248],[0.2669, 0.2339, 0.6719],[0.2343, 0.0802, 0.1925],[0.6387, 0.1446, 0.1647],[0.5917, 0.2945, 0.1726]])
"""x3 = torch.zeros(5, 3, dtype=torch.long)  # 生成一个5行3列的0矩阵，且数据类型为long
print('torch.zeros(5, 3, dtype=torch.long)：\n', x3)
"""
torch.zeros(5, 3, dtype=torch.long)：tensor([[0, 0, 0],[0, 0, 0],[0, 0, 0],[0, 0, 0],[0, 0, 0]])
"""x4 = torch.tensor([5.5, 3])  # 构造一个已知数据的张量
print('torch.tensor([5.5, 3])：\n', x4)
"""
torch.tensor([5.5, 3])：tensor([5.5000, 3.0000])
"""x5_a = torch.ones(5, 3, dtype=torch.double)
x5_b = torch.randn_like(x5_a, dtype=torch.float)  # 生成一个与x5_a同大小的float矩阵
print("x5_a:\n", x5_a)
print("x5_b:\n", x5_b)
print("x5_a.size()=", x5_a.size())
"""
x5_a:tensor([[1., 1., 1.],[1., 1., 1.],[1., 1., 1.],[1., 1., 1.],[1., 1., 1.]], dtype=torch.float64)
x5_b:tensor([[ 0.6318,  0.7818,  0.2896],[-1.5375, -1.0902, -2.2054],[ 0.9432,  0.0981, -0.6261],[-1.8649, -0.2275,  0.5104],[ 0.4113, -0.6067, -0.2163]])
x5_a.size()= torch.Size([5, 3])
"""add_x1 = torch.tensor([[1, 2, 3], [4, 5, 6]])
add_x2 = torch.tensor([[4, 5, 6], [1, 2, 3]])
print("add_x1 + add_x2 = ", add_x1 + add_x2)  # 矩阵加法
print("torch.add(add_x1, add_x2) = ", torch.add(add_x1, add_x2))
result = torch.empty(2, 3)
torch.add(add_x1, add_x2, out=result)
print("result = ", result)
print("add_x2.add_(add_x1) = ", add_x2.add_(add_x1))  # in-place add add_x1 to add_x2
"""
add_x1 + add_x2 =  tensor([[5, 7, 9], [5, 7, 9]])
torch.add(add_x1, add_x2) =  tensor([[5, 7, 9], [5, 7, 9]])
result =  tensor([[5., 7., 9.], [5., 7., 9.]])
add_x2.add_(add_x1) =  tensor([[5, 7, 9], [5, 7, 9]])
"""# 类似Numpy的索引操作
ix1 = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("ix1[:, 1] =", ix1[:, 1])  # 取第一列[索引从0开始]
print("ix1[1, :] =", ix1[1, :])  # 取第一行[索引从0开始]
"""
ix1[:, 1] = tensor([2, 5, 8])
ix1[1, :] = tensor([4, 5, 6])
"""# 如果想改变一个tensor的大小或者形状，可使用torch.view
vx1 = torch.tensor([[1, 2, 3, 4], [4, 5, 6, 7], [7, 8, 9, 10]])
vx2 = vx1.view(12)
vx3 = vx1.view(-1, 6)  # the size -1 is inferred form other dimensions
print("vx1 =", vx1, "vx1.size() =", vx1.size())
print("vx2 =", vx2, "vx2.size() =", vx2.size())
print("vx3 =", vx3, "vx3.size() =", vx3.size())
"""
vx1 = tensor([[ 1,  2,  3,  4],[ 4,  5,  6,  7],[ 7,  8,  9, 10]]) vx1.size() = torch.Size([3, 4])
vx2 = tensor([ 1,  2,  3,  4,  4,  5,  6,  7,  7,  8,  9, 10]) vx2.size() = torch.Size([12])
vx3 = tensor([[ 1,  2,  3,  4,  4,  5],[ 6,  7,  7,  8,  9, 10]]) vx3.size() = torch.Size([2, 6])
"""rx1 = torch.randn(1)
print("rx1 = ", rx1)  # rx1对象
print("x.item() = ", rx1.item())  # 获取rx1的值
"""
rx1 =  tensor([0.7057])
x.item() =  0.7057303786277771
"""

Pytorch基础（一）初始tensor相关推荐

第1周学习笔记：深度学习和pytorch基础
目录一视频学习 1.绪论 2.深度学习概述二代码学习 1.Pytorch基础练习 2.螺旋数据分类一视频学习 1.绪论人工智能(Artificial Intelligence):使一部机 ...
第1周学习：深度学习和pytorch基础
第1周学习:深度学习和pytorch基础一.概念学习 1.1关于一些基本问题的思考 1.2深度学习基础二.代码练习 pytorch 基础练习螺旋数据分类问题一.概念学习 1.1关于一些基本问题 ...
Pytorch ——基础指北_叁 [Pytorch API 构建基础模型]
Pytorch --基础指北_叁系列文章目录 Pytorch --基础指北_零 Pytorch --基础指北_壹 Pytorch --基础指北_贰 Pytorch --基础指北_叁文章目录 Pyt ...
《深度学习之pytorch实战计算机视觉》第6章 PyTorch基础（代码可跑通）
上一篇文章<深度学习之pytorch实战计算机视觉>第5章 Python基础讲了Python基础.接下来看看第6章 PyTorch基础. 目录 6.1 PyTorch中的Tensor 6. ...
深度学习之Pytorch基础教程！
↑↑↑关注后"星标"Datawhale 每日干货 & 每月组队学习,不错过 Datawhale干货作者:李祖贤,Datawhale高校群成员,深圳大学随着深度学习的发展 ...
【深度学习】深度学习之Pytorch基础教程！
作者:李祖贤,Datawhale高校群成员,深圳大学随着深度学习的发展,深度学习框架开始大量的出现.尤其是近两年,Google.Facebook.Microsoft等巨头都围绕深度学习重点投资了一系 ...
PyTorch基础(part5)--交叉熵
学习笔记,仅供参考,有错必纠文章目录原理代码初始设置导包载入数据模型原理交叉熵(Cross-Entropy) Loss=−(t∗ln⁡y+(1−t)ln⁡(1−y))Loss =-( ...
PyTorch基础(part4)
学习笔记,仅供参考,有错必纠文章目录 PyTorch 基础 MNIST数据识别常用代码导包载入数据定义网络结构 PyTorch 基础 MNIST数据识别常用代码 # 支持多行输出 from ...
PyTorch基础(part3)
学习笔记,仅供参考,有错必纠文章目录 PyTorch 基础线性回归常用代码导包生成数据构建神经网络模型非线性回归生成数据构建神经网络模型 PyTorch 基础线性回归常用代码 # ...
PyTorch基础(part2)
学习笔记,仅供参考,有错必究文章目录 PyTorch基础基本操作加法减法/乘法/除法求和.最大.最小数据的索引求导 PyTorch基础基本操作 # 导入常用的包 import torc ...

Pytorch基础（一）初始tensor

Pytorch基础（一）初始tensor相关推荐

最新文章

热门文章

Pytorch基础（一） 初始tensor

Pytorch基础（一） 初始tensor相关推荐

最新文章

热门文章

Pytorch基础（一）初始tensor

Pytorch基础（一）初始tensor相关推荐