亲宝软件园·资讯

展开

pytorch教程Tensor的值及操作使用 pytorch教程之Tensor的值及操作使用学习

xz1308579340 人气:1
想了解pytorch教程之Tensor的值及操作使用学习的相关内容吗,xz1308579340在本文为您仔细讲解pytorch教程Tensor的值及操作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:pytorch教程,Tensor的值,tensor的操作使用,下面大家一起来学习吧。

参考网址

1、Tensors

Tensors are similar to NumPy's ndaeeays,不同的是可以在GPU上使用和加速计算。
导入包

from __future__ import print_function
import torch

建立5*3的矩阵,未初始化

x = torch.empty(5,3)
print(x)

out

tensor([[ 1.4395e-36,  4.5848e-41,  1.4395e-36],
        [ 4.5848e-41,  1.4395e-36,  4.5848e-41],
        [ 1.4395e-36,  4.5848e-41,  2.8026e-45],
        [-1.9501e+00,  8.5165e+23,  0.0000e+00],
        [ 2.5223e-43,  0.0000e+00,  0.0000e+00]])

建立随机初始化矩阵

x = torch.rand(5,3)
print(x)

out

tensor([[ 0.8074,  0.9175,  0.8109],
        [ 0.3313,  0.5902,  0.9179],
        [ 0.6562,  0.3283,  0.9798],
        [ 0.8218,  0.0817,  0.4454],
        [ 0.5934,  0.0040,  0.3411]])

建立零初始化矩阵,数据类型是Long

...
x = torch.zeros(5,3,dtype = torch.long) 
print(x)
...

out

tensor([[ 0,  0,  0],
        [ 0,  0,  0],
        [ 0,  0,  0],
        [ 0,  0,  0],
        [ 0,  0,  0]])

建立一个tensor数据来源于data

x = torch.tensor([5.5,3])
print(x)

out

tensor([ 5.5000,  3.0000])

在原有tnesor的基础上形成新的tensor,会继承原有tensor的shapee和dtype等属性,当然我么也可以修改这些属性

x = x.new_ones(5,3,dtype = torch.double)
print(x)
x = torch.randn_like(x,dype = torch.float)
print(x)

out

tensor([[ 1.,  1.,  1.],
        [ 1.,  1.,  1.],
        [ 1.,  1.,  1.],
        [ 1.,  1.,  1.],
        [ 1.,  1.,  1.]], dtype=torch.float64)
tensor([[-0.0730, -0.0716, -0.8259],
        [-1.7004,  0.8790, -0.0659],
        [-0.8969,  0.8736, -0.6035],
        [-0.1539, -2.9178, -0.7456],
        [-0.0245,  0.4075,  1.4904]])

获取tensor的size

print(x.size())

out

torch.Size([5, 3])

torch.size是一个元组,支持所有元组(tuple)的操作

2、对Tensor的操作

实现加法的四种方式

方法一L

print(x+y)

方法二

print(torch.add(x,y))

方法三:输出给额外的tensor

result = torch.empty(5,3)
torch.add(x,y ,out= result)
print (result)

方法四:原地替换-结果存放在y中

print(y)

所有原地替换

所有原地替换tensor的操作都有后缀,比如x.copy(y),会改变x

使用标准的numpy操作

print(x[:1]

out

tensor([-0.0716,  0.8790,  0.8736, -2.9178,  0.4075])

使用torch.view 改变tensor的形状

x = torch.randn(4,4)
y = x.view(16)
z = x.view(-1,8)   # the size -1 is inferred from other dimensions
print (x.size(),y.xize(),z.size())

out

torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])

tensor转化为numpy的数字,使用item

x = torch.rnadn(1)
print(x)
print(x.item())

Torch Tensor 和numpy的相互转换

a = torch.ones(5)
print (a) 

out

tensor([ 1.,  1.,  1.,  1.,  1.])

并且改变tensor的值会同时改变numpy的值

a.add_(1)
print(a)
print(b)

out

tensor([ 2.,  2.,  2.,  2.,  2.])
[ 2.  2.  2.  2.  2.]

将numpy array转化为pytorch Tensor

import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a,1,out = a )
print(a)
print(b)

out

[ 2.  2.  2.  2.  2.]
tensor([ 2.,  2.,  2.,  2.,  2.], dtype=torch.float64)

所有在cpu上的tensor都支持numpy转化,除了char形的tensor

CUDA Tensors

Tensors 可以被移动到其他设备使用.to的方法

...
if torch.cuda.is_avaulable(): 
device = torch.device(“cuda”) 
y = torch.ones_like(x,device = devcie) 
x= x.to(device) 
z = x+y 
print(z) 
print(z.to(“cpu”,torch.double)) 
...

out

tensor([-1.0620], device='cuda:0')
tensor([-1.0620], dtype=torch.float64)

加载全部内容

相关教程
猜你喜欢
用户评论