亲宝软件园·资讯

展开

Pytorch初步使用 Python深度学习之Pytorch初步使用

Jxiepc 人气:1
想了解Python深度学习之Pytorch初步使用的相关内容吗,Jxiepc在本文为您仔细讲解Pytorch初步使用的相关知识和一些Code实例,欢迎阅读和指正,我们先划重点:Python,Pytorch,python深度学习,下面大家一起来学习吧。

一、Tensor

Tensor(张量是一个统称,其中包括很多类型):

0阶张量:标量、常数、0-D Tensor;1阶张量:向量、1-D Tensor;2阶张量:矩阵、2-D Tensor;……

二、Pytorch如何创建张量

2.1 创建张量

import torch
	
	t = torch.Tensor([1, 2, 3])
	print(t)

在这里插入图片描述

2.2 tensor与ndarray的关系

两者之间可以相互转化

import torch
import numpy as np

t1 = np.array(torch.Tensor([[1, 2, 3],
        [1, 2, 3]]))
t2 = torch.Tensor(np.array([[1, 2, 3],
        [1, 2, 3]]))

运行结果:

在这里插入图片描述

2.3 常用api

torch.empty(x,y)

创建x行y列为空的tensor。

在这里插入图片描述

torch.ones([x, y])

创建x行y列全为1的tensor。

在这里插入图片描述

torch.zeros([x,y])

创建x行y列全为0的temsor。

在这里插入图片描述

zeros与empty的区别

后者的数据类型是不固定的。

torch.rand(x, y)

创建3行4列的随机数,随机数是0-1。

在这里插入图片描述

torch.randint(low, high, size)

创建一个size的tensor,随机数为low到high之间。

在这里插入图片描述

torch.randn([x, y])

创建一个x行y列的tensor,随机数的分布式均值为0,方差1。

2.4 常用方法

item()

获取tensor中的元素,注意只有一个元素的时候才可以用。

在这里插入图片描述

numpy()

转化成ndarray类型。

在这里插入图片描述

size()

获取tensor的形状

在这里插入图片描述

view()

浅拷贝,tensor的形状改变

可以传参,表示获取第几个。若参数为-1,表示不确定,与另一个参数的乘积等于原始形状的乘积。 例如:原始形状为8,则view(-1,2)view(4, 2); 参数只有-1,表示一维。

在这里插入图片描述

dim()

获取维度。

在这里插入图片描述

max()

获取最大值。

在这里插入图片描述

t()

转置。

在这里插入图片描述

transpose(x,y)

x,y是size里面返回的形状相换。

在这里插入图片描述

permute()

传入size()返回的形状的顺序。

在这里插入图片描述

transpose与permute的区别

前者传入列即可相互交换;后者传入列会根据传入的顺序来进行转化,且需要传入所有列数的索引。

取值[第一阶, 第二阶,……]

一个逗号隔开代表一个阶乘冒号代表全取

在这里插入图片描述

赋值[第一阶, 第二阶,……]

直接赋值即可

在这里插入图片描述

三、数据类型

在这里插入图片描述

3.1 获取数据类型

tensor.dtype

获取数据类型

在这里插入图片描述

设置数据类型

注意使用Tensor()不能指定数据类型。

在这里插入图片描述

type()

修改数据类型。

在这里插入图片描述

四、tensor的其他操作

4.1 相加

torch.add(x, y)

将x和y相加

在这里插入图片描述

直接相加

在这里插入图片描述

tensor.add()

使用add_() 可相加后直接保存在tensor中

在这里插入图片描述

4.2 tensor与数字的操作

tensor + 数值

在这里插入图片描述

五、CUDA中的tensor

CUDA (Compute Unified Device Architecture),是NVIDIA推出的运算平台。CUDATM是一种由NVIDIA推出的通用并行计算架构,该架构使GPU能够解决复杂的计算问题。
torch.cuda这个模块增加了对CUDA tensor的支持,能够在cpu和gpu上使用相同的方法操作tensor通过.to方法能够把一个tensor转移到另外一个设备(比如从CPU转到GPU)

可以使用torch.cuda.is_available()判断电脑是否支持GPU

加载全部内容

相关教程
猜你喜欢
用户评论