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 ...

pytorch中张量的阶数理解

pytorch中张量的阶数理解

理解

pytorch中张量的阶数理解相关推荐

最新文章

热门文章