PyTorch的Tensor(张量)

一、Tensor概念

什么是张量?

张量是一个多维数组,它是标量、向量、矩阵的高维拓展
在这里插入图片描述

Tensor与Variable

Variable是torch.autograd中的数据类型,主要用于封装Tensor,进行自动求导。

  • data: 被包装的Tensor
  • grad: data的梯度(梦回数一
  • grad_fn: 创建Tensor的Function,是自动求导的关键
  • requires_grad: 指示是否需要梯度
  • is_leaf: 指示是否是叶子节点(张量)

在这里插入图片描述

Tensor

PyTorch 0.4.0版本开始,Variable已并入Tensor。

  • dtype: 张量的数据类型,例如torch.FloatTensor, torch.cuda.FloatTensor
  • shape: 张量的形状,例如 (64, 3, 224, 224)
  • device: 张量所在设备,GPU/CPU,是加速的关键
    在这里插入图片描述

在这里插入图片描述

Create Tensor

一、直接创建

torch.tensor(data,dtype=None,device=None,requires_grad=False,pin_memory=False
)

功能:从data创建tensor

• data: 数据, 可以是list, numpy
• dtype : 数据类型,默认与data的一致
• device : 所在设备, cuda/cpu
• requires_grad:是否需要梯度
• pin_memory:是否存于锁页内存

torch.from_numpy(ndarray)
功能:从numpy创建tensor。
注意事项:从torch.from_numpy创建的 tensor 与原始 ndarray 共享内存。
当修改其中一个的数据时,另一个也会被改动。

在这里插入图片描述

二、依据数值创建

torch.zeros(*size,out=None,dtype=None,layout=torch.strided,device=None,requires_grad=False
)

功能:依照size创建全0张量

• size: 张量的形状, 如(3, 3)、(3, 224,224)
• out : 输出的张量
• layout : 内存中布局形式, 有strided,sparse_coo等
• device : 所在设备, gpu/cpu
• requires_grad:是否需要梯度

torch.zeros_like(input,dtype=None,layout=None,device=None,requires_grad=False
)

功能:依照 input 形状创建全0张量

参数说明:

  • input: 作为模板的输入张量,新创建的张量将具有与此张量相同的形状和数据类型。
  • dtype(可选): 新创建张量的数据类型,默认为 None(即与输入张量相同)。
  • layout(可选): 新创建张量的布局,默认为 None(即与输入张量相同)。
  • device(可选): 新创建张量所在设备,默认为 None(即与输入张量相同)。
  • requires_grad(可选): 是否需要计算梯度,默认为 False,即不需要计算梯度。
torch.ones(*size,out=None,dtype=None,layout=torch.strided,device=None,requires_grad=False
)

参数说明:

  • *size: 张量的形状,可以是一个数字或一个元组,用来指定张量每个维度的大小。
  • out(可选): 输出张量。
  • dtype(可选): 张量的数据类型,默认为 None,即自动推断。
  • layout(可选): 张量的布局,默认为 torch.strided。
  • device(可选): 张量所在设备,默认为 None,即 CPU。
  • requires_grad(可选): 是否需要计算梯度,默认为 False,即不需要计算梯度。
torch.ones_like(input,dtype=None,layout=None,device=None,requires_grad=False
)

参数说明:

  • input: 作为模板的输入张量,新创建的张量将具有与此张量相同的形状和数据类型。
  • dtype(可选): 新创建张量的数据类型,默认为 None,即与输入张量相同。
  • layout(可选): 新创建张量的布局,默认为 None,即与输入张量相同。
  • device(可选): 新创建张量所在设备,默认为 None,即与输入张量相同。
  • requires_grad(可选): 是否需要计算梯度,默认为 False,即不需要计算梯度。
  • torch.ones() 用于创建所有元素值为1的张量,而 torch.ones_like() 则创建与输入张量形状相同的张量,但所有元素的值都为1。这两个函数都可以选择性地指定数据类型、布局、设备和是否需要计算梯度。
torch.full(size,fill_value,out=None,dtype=None,layout=torch.strided,device=None,requires_grad=False
)

参数说明:

  • size: 张量的形状,可以是一个数字或一个元组,用来指定张量每个维度的大小。
  • fill_value: 填充张量的值,可以是标量或与指定数据类型相同的张量。
  • out(可选): 输出张量。
  • dtype(可选): 张量的数据类型,默认为 None,即自动推断。
  • layout(可选): 张量的布局,默认为 torch.strided。
  • device(可选): 张量所在设备,默认为 None,即 CPU。
  • requires_grad(可选): 是否需要计算梯度,默认为 False,即不需要计算梯度。

这个函数用于创建指定形状并用指定值填充的张量。填充值可以是一个标量或与指定数据类型相同的张量。可以选择性地指定数据类型、布局、设备和是否需要计算梯度。

torch.arange(start=0,end,step=1,out=None,dtype=None,layout=torch.strided,device=None,requires_grad=False
)

参数说明:

  • start: 序列起始值,默认为 0。
  • end: 序列结束值(不包含),创建的序列不包含该值。
  • step: 序列中相邻值之间的步长,默认为 1。
  • out(可选): 输出张量。
  • dtype(可选): 张量的数据类型,默认为 None,即自动推断。
  • layout(可选): 张量的布局,默认为 torch.strided。
  • device(可选): 张量所在设备,默认为 None,即 CPU。
  • requires_grad(可选): 是否需要计算梯度,默认为 False,即不需要计算梯度。

这个函数用于创建一个从 start 到 end(不包含 end)的数值序列,并以 step 为步长。可以选择性地指定数据类型、布局、设备和是否需要计算梯度。

torch.linspace(start,end,steps=100,out=None,dtype=None,layout=torch.strided,device=None,requires_grad=False
)

参数说明:

  • start: 序列起始值。
  • end: 序列结束值。
  • steps: 序列中的元素数量,默认为 100。
  • out(可选): 输出张量。
  • dtype(可选): 张量的数据类型,默认为 None,即自动推断。
  • layout(可选): 张量的布局,默认为 torch.strided。
  • device(可选): 张量所在设备,默认为 None,即 CPU。
  • requires_grad(可选): 是否需要计算梯度,默认为 False,即不需要计算梯度。

这个函数创建一个在指定范围内(从 start 到 end)以均匀间隔的方式生成的数值序列,并且序列的元素数量由 steps 参数指定。可以选择性地指定数据类型、布局、设备和是否需要计算梯度。

torch.logspace(start,end,steps=100,base=10.0,out=None,dtype=None,layout=torch.strided,device=None,requires_grad=False
)

参数说明:

  • start: 序列起始值的指数。
  • end: 序列结束值的指数。
  • steps: 序列中的元素数量,默认为 100。
  • base: 序列中的数值以此为底进行指数计算,默认为 10.0。
  • out(可选): 输出张量。
  • dtype(可选): 张量的数据类型,默认为 None,即自动推断。
  • layout(可选): 张量的布局,默认为 torch.strided。
  • device(可选): 张量所在设备,默认为 None,即 CPU。
  • requires_grad(可选): 是否需要计算梯度,默认为 False,即不需要计算梯度。

这个函数创建一个在对数刻度上以均匀间隔分布的数值序列,start 和 end 参数指定序列起始值和结束值的指数,base 参数确定对数的底。可以选择性地指定数据类型、布局、设备和是否需要计算梯度。

torch.eye(n,m=None,out=None,dtype=None,layout=torch.strided,device=None,requires_grad=False
)

参数说明:

  • n: 矩阵的行数。
  • m(可选): 矩阵的列数,默认为 None,如果为 None,则创建的是 n x n 的方阵。
  • out(可选): 输出张量。
  • dtype(可选): 张量的数据类型,默认为 None,即自动推断。
  • layout(可选): 张量的布局,默认为 torch.strided。
  • device(可选): 张量所在设备,默认为 None,即 CPU。
  • requires_grad(可选): 是否需要计算梯度,默认为 False,即不需要计算梯度。

这个函数可以创建一个单位矩阵。如果提供了 m 参数,则创建的是一个 n x m 的矩阵,否则创建的是 n x n 的方阵。可以选择性地指定数据类型、布局、设备和是否需要计算梯度。

三、依概率分布创建张量

torch.normal(mean,std,out=None
)

torch.normal() 是 PyTorch 中用于生成服从指定均值和标准差的正态分布随机数的函数。以下是该函数的参数说明:

  • mean: 正态分布的均值。
  • std: 正态分布的标准差。
  • out(可选): 输出张量,用于保存生成的随机数。
torch.normal(mean,std,out=None
)

用于生成服从指定均值和标准差的正态分布随机数。

  • mean: 正态分布的均值。
  • std: 正态分布的标准差。
  • out(可选): 输出张量,用于保存生成的随机数。
torch.normal(mean,std,size,out=None
)
  • mean: 正态分布的均值。
  • std: 正态分布的标准差。
  • size: 生成张量的形状。
  • out(可选): 输出张量,用于保存生成的随机数。

四种模式:
mean为标量,std为标量
mean为标量,std为张量
mean为张量,std为标量
mean为张量,std为张量

这个函数与前一个函数类似,但是多了一个 size 参数,用于指定生成张量的形状。返回一个形状为 size 的张量,其中的元素服从均值为 mean、标准差为 std 的正态分布。可以选择性地提供一个输出张量 out 用于保存生成的随机数。

torch.randn(*size,out=None,dtype=None,layout=torch.strided,device=None,requires_grad=False
)

torch.rand() 是 PyTorch 中用于生成服从标准正态分布(均值为0,标准差为1)的随机数的函数。以下是该函数的参数说明:

torch.rand(*size,out=None,dtype=None,layout=torch.strided,device=None,requires_grad=False
)
  • *size: 张量的形状,可以是一个数字或一个元组,用来指定张量每个维度的大小。
  • out(可选): 输出张量,用于保存生成的随机数。
  • dtype(可选): 张量的数据类型,默认为 None,即自动推断。
  • layout(可选): 张量的布局,默认为 torch.strided。
  • device(可选): 张量所在设备,默认为 None,即 CPU。
  • requires_grad(可选): 是否需要计算梯度,默认为 False,即不需要计算梯度。

这个函数返回一个张量,其中的元素是在区间 [0, 1) 上均匀分布的随机数,形状由参数 *size 指定。可以选择性地指定数据类型、布局、设备和是否需要计算梯度。

torch.randint(low=0,high,size,out=None,dtype=None,layout=torch.strided,device=None,requires_grad=False
)
  • low: 区间的下界(包含在内)。
  • high: 区间的上界(不包含在内)。
  • size: 生成张量的形状。
  • out(可选): 输出张量,用于保存生成的随机整数。
  • dtype(可选): 张量的数据类型,默认为 None,即自动推断。
  • layout(可选): 张量的布局,默认为 torch.strided。
  • device(可选): 张量所在设备,默认为 None,即 CPU。
  • requires_grad(可选): 是否需要计算梯度,默认为 False,即不需要计算梯度。

这个函数返回一个张量,其中的元素是在区间 [low, high) 上均匀分布的随机整数,形状由参数 size 指定。

三、依概率分布创建张量

这个函数用于生成随机排列和按照伯努利分布生成随机二元数。

torch.randperm(n,out=None,dtype=torch.int64,layout=torch.strided,device=None,requires_grad=False
)

参数说明:

  • n: 生成随机排列的长度。
  • out(可选): 输出张量,用于保存生成的随机排列。
  • dtype(可选): 张量的数据类型,默认为 torch.int64。
  • layout(可选): 张量的布局,默认为 torch.strided。
  • device(可选): 张量所在设备,默认为 None,即 CPU。
  • requires_grad(可选): 是否需要计算梯度,默认为 False,即不需要计算梯度。

这个函数返回一个长度为 n 的张量,包含从 0 到 n-1 的随机排列整数。

torch.bernoulli(input,*,generator=None,out=None
)
  • input: 输入张量,用于指定伯努利分布的概率值。
  • generator(可选): 随机数生成器,默认为 None。
  • out(可选): 输出张量,用于保存生成的随机二元数。

这个函数返回一个张量,其中的元素按照输入张量中的概率值在伯努利分布上进行采样生成随机二元数(0 或 1)。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/589274.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

基于OpenCv的车道检测

项目背景和步骤 车道检测是自动驾驶领域不可或缺的一环 具体步骤如下: 一、将图像灰度化,并进行适度的高斯滤波,剔除干扰 二、利用Canny边缘检测,检测出车道和其它物体的边缘 三、使用ROI区域截取,截取需要的部分&a…

Debian安装k8s记录

Debian安装k8s记录 在master和node上安装kube安装master安装node遇到的问题汇总1、kubelet.service报错 failed to pull image "registry.k8s.io/pause:3.6"2、node重启后报错,failed: open /run/flannel/subnet.env: no such file or directory 在master…

AI与数字化映像:颜值开端,功能至上_光点科技

在人工智能的浪潮中,AI数字人的兴起正成为一个不可忽视的现象。随着ChatGPT等生成式AI算法的进步,AIGC(人工智能生成内容)的应用呈现出爆发性增长,不仅在技术圈引起广泛关注,也为元宇宙及其相关产业链带来了…

[实践总结] 通过累加求和来学习 分支/合并框架

分支/合并框架 分支/合并框架的目的是以 递归方式将可以并行的任务拆分成更小的任务,然后将每个子任务的结果合并起来生成整体结果。 它是ExecutorService接口的一个实现,它把子任务分配给线程池(称为ForkJoinPool)中的工作线程。…

关于 android 热更新技术

Android应用实现热更新(也称为动态更新或增量更新)是指在不通过Google Play或其他应用市场重新发布完整APK包的情况下,应用能够从远程服务器下载并安装部分代码或资源文件以修复bug或增加新功能。这一机制提高了用户体验和产品迭代速度。以下…

循环业务异常外部处理导致的问题

问题描述: 在业务执行循环中,异常捕捉处理在循环外。当循环中的某个业务执行异常时,会影响后续业务的执行,因为没有采取相应措施来处理该异常并继续循环执行。 以下是示例代码,演示了在循环中执行多个业务操作并在异…

头歌:旅游网站大数据分析 - 数据抓取

package step1; import java.io.File; import java.io.IOException; import org.jsoup.Jsoup; import org.jsoup.nodes.Document;public class Task {/*** param filePath 文件路径:backups/www.ctrip.com.txt/* return* throws IOException*/public Document getHt…

小白入门java基础-反射详解

一:介绍 Java 是由 Sun Microsystems 公司于 1995 年 5 月推出的高级程序设计语言。 Java 可运行于多个平台,如 Windows, Mac OS 及其他多种 UNIX 版本的系统。Java语言编写的程序,在一次编译后,可以在多个系统平台上运行。 主…

ajax请求的详细流程+详细示例

AJAX(Asynchronous JavaScript and XML)是一种用于创建异步 Web 应用程序的技术。下面是 AJAX 请求的详细流程: 创建 XMLHttpRequest 对象:在 JavaScript 代码中,使用 new XMLHttpRequest() 创建一个 XMLHttpRequest 对…

Linux常用命令总结

1.系统查看 2.网络相关 2.1 设置静态网络 [rootlocalhost Desktop]# ifconfig eth1 Link encap:Ethernet HWaddr 00:0C:29:B1:24:A1通过ifconfig以上信息主要得到 eth0 还是eth1;还有HWaddr,1) 需要Vmware中的"使用本次DHCP"服务将IP地址分配给虚拟机关闭 2)…

Spring Boot笔记1

1. SpringBoot简介 1.1. 原有Spring优缺点分析 1.1.1. Spring的优点分析 Spring是Java企业版(Java Enterprise Edition,javeEE)的轻量级代替品。无需开发重量级的Enterprise JavaBean(EJB),Spring为企业…

Bmp2Png是什么工具?好用吗?

Bmp2Png是什么工具?好用吗? 批量BMP图片转为PNG透明图片,去掉BMP黑色背景,压缩导出png图片V1.1前段时间上传了一款bmp转png并去黑底的demo软件,非常受欢迎, 上一版本地址:批量BMP图片转为PNG…

计算机网络 (期末救命版)

文章目录 Ⅰ 网络概述1. 互联网概述与组成2. 计算机网络的类别3. 计算机网络的性能指标4. 计算机网络体系结构 Ⅱ 物理层1. 物理层的任务2. 信道复用技术 Ⅲ 数据链路层1. 点对点信道2. 基本问题3. 点对点协议 PPP4. 使用广播信道的数据链路层 Ⅳ 网络层1. 网络层的服务2. 网际…

解算人生--写于2023跨年之夜

最近买了一本书,书名叫《计算》 读了部分内容,虽然理解上还需要再下下功夫,但是直观的感觉冲击还是挺大的,最明显的就是表面与本质的把握。大家可能都有这样一种感觉,初步涉足某一领域时,开始我们都会被大量…

Pytorch深度学习-----完整的模型验证套路

系列文章目录 PyTorch深度学习——Anaconda和PyTorch安装 Pytorch深度学习-----数据模块Dataset类 Pytorch深度学习------TensorBoard的使用 Pytorch深度学习------Torchvision中Transforms的使用(ToTensor,Normalize,Resize ,Compose,RandomCrop) Pytorch深度学习-----…

github使用技巧(经验篇)

相关经验 指定代码范围并高亮显示 例如,指定nn_ops.py文件2612-L2686行的代码:https://github.com/tensorflow/tensorflow/blob/v2.14.0/tensorflow/python/ops/nn_ops.py#L2612-L2686 FAQ Q:github网页打不开? 【github加载不…

WeNet语音识别调用通义千问

WeNet语音识别调用通义千问 WeNet语音识别对通义千问(Qwen-72B-Chat Bot)调用,首先通过WeNet将用户的语音输入转录为文本,然后将此文本输入通用问答模型以获取答案。 本人原创作品,体验一下 连续对话 WeNet语音识别…

如何获取2024年交易日历?

交易日历是金融领域的重要参考工具,包含了各国的法定节假日、休市日、交易时间调整等信息,能够帮助投资交易者合理安排交易时间、了解市场情况、提高决策的准确性。 DolphinDB 自 2.00.9/1.30.21 版本开始,内置了国内外五十多个交易所的交易…

一起玩儿物联网人工智能小车(ESP32)——22. 用ESP32的LED PWM控制器给TT马达调速(C MicroPython)

新年快乐! 2024,我们一起玩儿! 摘要:本文主要介绍如何使用Mixly实现PWM波形的输出。 下面就先用Mixly实现PWM波形的输出。首先打开Mixly软件,这次还是先使用C语言来实现。如果你有示波器,或者逻辑分析仪&a…

Linux: memory: THP相关的一些链接

https://docs.kernel.org/mm/page_tables.html https://access.redhat.com/solutions/46111 https://lwn.net/Articles/423584/ 引入的历史 http://www.linux-kvm.org/images/9/9e/2010-forum-thp.pdf ; develper的展示 https://developers.redhat.com/blog/2021/04/27/benchma…