一、张量的基本概念

张量（Tensor），就是多维数组。当维度小于或等于2时，张量又有一些更熟悉的名字：

矩阵： 2维张量又被称为【矩阵】（Matrix）；
向量： 1维张量又被称为【向量】（Vector）；
标量： 0维张量又被称为【标量】（Scalar），其实就是一个数值。

torch.rand(2,3)：创建一个形状为（2,3）的随机张量，每个值从[0,1)之间的均匀分布中抽取；
torch.randn(2,3)：创建一个形状为（2,3）的随机张量，每个值从标准正态分布（均值0，方差1）中抽取；

二、张量的聚合操作

聚合操作（Aggregation）：常见的张量聚合运算包括：求平均、求和、最大值、最小值等。

张量的聚合运算关于dim的规则：

在做张量的运算操作时，dim设定了哪个维，就会遍历这个维去做运算（也称“沿着该维运算”），其他为顺序不变。

当dim= nnn（n>2）时，则结果的 n+1n+1n+1 维发生变化，其余维度不变。
当dim= 111 时，则结果变为两个向量的运算，维度变形。为了使结果保持正确的维度，聚合操作提供了keepdim参数，默认设置为False，需要显示地设为True 。

示例代码：

import torch
x  = torch.tensor([[1,2,3],[4,5,6]],dtype=torch.float32)  # 不指定dtype=torch.float32，计算x.mean(dim=0)将会报错RuntimeError: mean(): input dtype should be either floating point or complex dtypes.Got Long instead
x.mean(dim=0)
>>>
tensor([2.5000, 3.5000, 4.5000])
x.mean(dim=1)
>>>
tensor([2., 5.])# 设置参数keepdim是结果保持正确的维度
x.mean(dim=0,keepdim=True)
>>>
tensor([[2.5000, 3.5000, 4.5000]])x.mean(dim=1,keepdim=True)
>>>
tensor([[2.],[5.]])

三、张量的拼接操作

张量的拼接操作（torch.cat）也是类似的，通过指定维度dim，获得不同的拼接结果。

张量的拼接运算关于dim的规则：

在做张量的运算操作时，dim设定了哪个维，就会遍历这个维去做运算（也称“沿着该维运算”），其他为顺序不变。

当dim= nnn 时，则结果的 n+1n+1n+1 维发生变化，其余维度不变。 （备注：dim的nnn 从0开始计数，结果的n+1n+1n+1 维从1开始计数。）

x = torch.tensor([[1,2,3],[4,5,6]],dtype=torch.float32)
y = torch.tensor([[7,8,9],[10,11,12]],dtype=torch.float32)
torch.cat((x,y),dim=0)
>>>
tensor([[ 1.,  2.,  3.],[ 4.,  5.,  6.],[ 7.,  8.,  9.],[10., 11., 12.]])torch.cat((x,y), dim=1)
>>>
tensor([[ 1.,  2.,  3.,  7.,  8.,  9.],[ 4.,  5.,  6., 10., 11., 12.]])

张量的升维、降维

有时为了适配某些运算，需要对一个张量进行升维或降维。具体而言：

升维： 就是通过torch.unsqueeze(input, dim, out=None)函数，对输入张量的dim位置插入维度1，并返回一个新的张量。与索引相同，dim的值也可以为负数。

降维： 就是通过torch.squeeze(input, dim=None, out=None)函数。

在不指定dim时，张量中形状为1的所有维都将被除去。如：输入形状为（A，1，B，1，C，1，D）的张量，那么输出形状就为（A，B，C，D）。
在指定dim时，降维操作只在给定维度上。如：输入形状为（A，1，B），squeeze（input，dim=0）函数将会保持张量不变，只有用squeeze（input，dim=1）函数时，形状才会变成（A，B）。

张量的基本概念+张量的聚合、拼接、比较、随机化采样、序列化等操作+升维、降维相关推荐

Tensorflow张量和维度概念的理解
Tensorflow张量和维度概念的理解理解tensorflow张量的概念:张量就是一个数据存储容器,一种数据结构,是人为定义的.因为在计算机内存中哪里有什么2维空间3维空间,都是一块块连续的内存区 ...
数字图像处理张量分解的概念、发展及其应用
一.张量的概念张量是一个多维数组.更正式地说,N向或N阶张量是N个向量空间的张量乘积的一个元素,每个向量空间都有自己的坐标系.张量的概念不能与物理和工程中的张量(如应力张量)混淆,后者在数学中通常被 ...
张量学习（1）：张量的基本概念
1.张量的四种定义 1.张量是多维数组,这个定义常见于各种人工智能软件. 2.张量是某种几何对象,不会随着坐标系的改变而改变 3.张量是向量和余向量(covector)通过张量积(tensor pro ...
把张量变成int_tensorflow 之张量与变量
TensorFlow 与 MXNet.PyTorch 很相似,上手速度很快(相比于 TensorFlow1.x). TensorFlow 拆开来看,就是 Tensor 与 Flow,即数据流程图,也是 ...
pytorch图像和张量的相互转换_Day107:Pytorch张量类型的构建与相互转换
张量的作用 Pytorch的数据类型为各式各样的Tensor,Tensor可以理解为高维矩阵(与Numpy中的Array类似) 通过使用Type函数可以查看变量类型.一 CPU张量类型 Pytorch ...
torch.full 【输出大小为size内容为填充张量为fill_value的张量】
>>> torch.full((2, 3), 3.1416) tensor([[ 3.1416, 3.1416, 3.1416],[ 3.1416, 3.1416, 3.1416]] ...
张量（Tensor）的降维与升维
一.Tensor的降维--torch.squeeze()函数 1.tensor的维度小编对于张量的理解一直很模糊,今天用Excel来帮助大家理解,希望对大家有所帮助. 首先,张量是多维数组,这里不多 ...
SQL Server字符串聚合拼接列值合并
STUFF字符串函数是将字符串插入到另一个字符串中.它会删除开始位置第一个字符串中的指定长度的字符,然后将第二个字符串插入到开始位置的第一个字符串中,语法如下: STUFF(字符串/变量/列,开始位置 ...
numpy矩阵升维，拼接
当将两个列向量进行拼接时,可有如下两步 1.矩阵升维原数据可能为列向量,如 a=np.arange(10) a.shape(10,) 此时,需要用到矩阵的升维, a[:,None].shape 此时 ...

张量的基本概念+张量的聚合、拼接、比较、随机化采样、序列化等操作+升维、降维

张量的基本概念+张量的聚合、拼接、比较、随机化采样、序列化等操作

一、张量的基本概念

二、张量的聚合操作

三、张量的拼接操作

张量的升维、降维

张量的基本概念+张量的聚合、拼接、比较、随机化采样、序列化等操作+升维、降维相关推荐

最新文章

热门文章