pytorch中张量的阶数理解
pytorch中张量的阶数理解
推荐打开2个页面,对比原四阶张量理解各阶的对应关系。
- 创建一个四阶张量:
import torch
x = torch.linspace(0,71,72).view(2,3,3,4)
print(x)
- 输出:
tensor([[[[ 0., 1., 2., 3.],[ 4., 5., 6., 7.],[ 8., 9., 10., 11.]],[[12., 13., 14., 15.],[16., 17., 18., 19.],[20., 21., 22., 23.]],[[24., 25., 26., 27.],[28., 29., 30., 31.],[32., 33., 34., 35.]]],[[[36., 37., 38., 39.],[40., 41., 42., 43.],[44., 45., 46., 47.]],[[48., 49., 50., 51.],[52., 53., 54., 55.],[56., 57., 58., 59.]],[[60., 61., 62., 63.],[64., 65., 66., 67.],[68., 69., 70., 71.]]]])
- 按第1维显示第1,2个张量:
print(y[0, 0:, 0:, 0:])
print(y[1, 0:, 0:, 0:])
- 按第1维求和
print(torch.sum(y,dim=0))
tensor([[[ 36., 38., 40., 42.],[ 44., 46., 48., 50.],[ 52., 54., 56., 58.]],[[ 60., 62., 64., 66.],[ 68., 70., 72., 74.],[ 76., 78., 80., 82.]],[[ 84., 86., 88., 90.],[ 92., 94., 96., 98.],[100., 102., 104., 106.]]])
- 按第2维显示其第1,2,3个张量:
print(y[0:, 0, 0:, 0:])
print(y[0:, 1, 0:, 0:])
print(y[0:, 2, 0:, 0:])
- 按第2维求和
print(torch.sum(y,dim=1))
tensor([[[ 36., 39., 42., 45.],[ 48., 51., 54., 57.],[ 60., 63., 66., 69.]],[[144., 147., 150., 153.],[156., 159., 162., 165.],[168., 171., 174., 177.]]])
- 按第3维显示其第1,2,3个张量:
print(y[0:, 0:, 0, 0:])
print(y[0:, 0:, 1, 0:])
print(y[0:, 0:, 2, 0:])
- 按第3维求和
print(torch.sum(y,dim=2))
tensor([[[ 12., 15., 18., 21.],[ 48., 51., 54., 57.],[ 84., 87., 90., 93.]],[[120., 123., 126., 129.],[156., 159., 162., 165.],[192., 195., 198., 201.]]])
- 按第4维显示其第1,2,3,4个张量:
print(y[0:, 0:, 0:, 0])
print(y[0:, 0:, 0:, 1])
print(y[0:, 0:, 0:, 2])
print(y[0:, 0:, 0:, 3])
按第4维求和
tensor([[[ 6., 22., 38.],[ 54., 70., 86.],[102., 118., 134.]],[[150., 166., 182.],[198., 214., 230.],[246., 262., 278.]]])
理解
- 张量的阶数可直接根据 " [ ] "的数量确定
- 随着张量的阶数增大,张量由外向内延伸
- 亦可逐阶(由低到高/由外向内)输出
print(y[0, 1, 0])
tensor([12., 13., 14., 15.])
pytorch中张量的阶数理解相关推荐
- Pytorch中维度dim的理解使用
0 引言 pytorch中的维度dim主要被用在torch.softmax和torch.max等等函数中.理清dim的意思对于正确使用这些函数有重要意义. 1 相关博文: Pytorch笔记:维度di ...
- pytorch中数组维度的理解
pytorch中数组维度理解与numpy中类似,pytorch中维度用dim表示,numpy中用axis表示 这里主要想说下维度的变化. dim = x ,表示在第x为上进行操作,那个维度会发生变化. ...
- pytorch中gather函数的理解
官方解释,很清楚了 torch.gather(input,dim,index,out=None) → Tensortorch.gather(input, dim, index, out=None) → ...
- 如何得到PyTorch中张量的值?
1.将张量转换为numpy: x.numpy()[0] 2.使用x.item()从有一个元素的张量中获取Python数
- pytorch中torch.manual_seed()的理解
使用
- PyTorch中F.cross_entropy()函数
对PyTorch中F.cross_entropy()的理解 PyTorch提供了求交叉熵的两个常用函数: 一个是F.cross_entropy(), 另一个是F.nll_entropy(), 是对F. ...
- PyTorch中的contiguous解读
本文讲解了pytorch中contiguous的含义.定义.实现,以及contiguous存在的原因,非contiguous时的解决办法.并对比了numpy中的contiguous. contiguo ...
- 实践指南 | 用PyTea检测 PyTorch 中的张量形状错误
点击上方"视学算法",选择加"星标"或"置顶" 重磅干货,第一时间送达 作者丨陈萍.泽南 来源丨机器之心 编辑丨极市平台 导读 韩国首尔大学 ...
- python中tolist_高效的张量操作 Pytorch中就占5种
PyTorch是一个基于Python的科学包,用于使用一种称为张量的特殊数据类型执行高级操作. 虽然也有其他方式可以实现相同的效果,但今天分享的这5个操作更加方便高效,值得一试. 什么是张量? 张量是 ...
最新文章
- 这份工程师简历火了:手磨14nm咖啡,在微软传播性病,90%公司伸橄榄枝
- [EOJ]2019 ECNU XCPC March Selection #4
- 滴滴为啥值3600亿?看它的数据中台就知道了
- 【今晚七点半】:白板与开源
- SQL Server索引进阶第十篇:索引的内部结构
- mysql数据库二进制_Mysql数据库简单安装(二进制)
- mq集群要建传输队列吗_MQ集群配置详细说明
- 宿主机为linux、windows分别实现VMware三种方式上网(转)
- 卸载sqlserver
- Docker新手入门,最全详解看这里!
- 响应式微服务 in java 译 十六 Deploying a Microservice in OpenShift
- 总结使用SnakeYAML解析与序列化YAML相关
- C++ 语言指针 (pointer)
- 《变革中的思索》连载三:展望个人电脑的未来之路
- java四大名著知乎_给四大名著重新取名……从知乎热帖看畅销书起名套路
- 力扣---LeetCode20. 有效的括号(栈)
- HTTP 十分钟教程
- 我用Python逆向登录世界上最大的游戏平台,steam加密手段有多高明【内附源码】
- 【整理】linux学习笔记(4)
- 财路网每日原创推送: 新华网:十字路口的区块链