【pytorch深度学习】torch-张量Tensor,三星e218

文件名：【pytorch深度学习】torch-张量Tensor,三星e218 【pytorch深度学习】torch-张量Tensor torch-张量Tensor

文章目录 torch-张量Tensor1. 张量Tensor

1. 张量Tensor torch.tensor() # 创建一个标量（0维张量）scalar_tensor = torch.tensor(3.14)# 创建一个向量（1维张量）vector_tensor = torch.tensor([1, 2, 3])# 创建一个矩阵（2维张量）matrix_tensor = torch.tensor([[1, 2], [3, 4]])# 创建一个3维张量tensor_3d = torch.tensor([[[1, 2], [3, 4]], [[5, 6], [7, 8]]]) torch.zeros()-全零张量 zero_tensor = torch.zeros(3, 4) # 3行4列的全零矩阵 torch.ones()-全一张量 ones_tensor = torch.ones(2, 3) # 2行3列的全一矩阵 torch.full()-常数填充张量 constant_tensor = torch.full((2, 2), 7) # 2行2列的常数填充矩阵，值为7 torch.eye()-单位矩阵 identity_matrix = torch.eye(3) # 3阶单位矩阵 torch.arange()-等差数列张量 range_tensor = torch.arange(0, 10, 2) # 从0开始，步长为2，直到小于10 torch.rand()-随机张量 rand_tensor = torch.rand(2, 3) # 2行3列的均匀分布随机矩阵 torch.randn()-正态分布随机张量 randn_tensor = torch.randn(3, 3) # 3行3列的正态分布随机矩阵 size()-形状 x = torch.rand(2, 3)print(x.size()) # 输出: torch.Size([2, 3]) dtype-数据类型指定及获取 x = torch.rand(2, 3, dtype=torch.float)print(x.dtype) # 输出: torch.float32 to()-GPU/CPU if torch.cuda.is_available():device = torch.device("cuda") # GPU 设备else:device = torch.device("cpu") # CPU 设备x = x.to(device) randn_like()、zeros_like()、ones_like()-已知张量创建形状类似的张量 t = torch.randn(3,3)t1 = torch.randn_like(t) 张量方法(它们有很多参数可选，要用再查)： t = torch.rand(3, 4, 5)t.nelement() # 返回数量t.size() # 返回尺寸，元组t.shape # 返回形状，元组t.size(2) # 返回指定维度大小t.view(12, 5) t.view(-1, 6).shapet.view(-1, 6).transpose(1, 0).shape 索引和切片

张量的索引和切片和列表基本是一样的，有步长、起点、终点等。例如：

t[0,0,2] t[:,1,1] t>0 t[t > 0] 张量运算 # 加法运算add_res = x + y # 减法运算 sub_res = x - y # 乘法运算 mul_res = x * y # 除法运算 div_res = x / y # 加法运算add_res = torch.add(x, y)# 减法运算sub_res = torch.subtract(x, y)# 乘法运算mul_res = torch.mul(x, y)# 除法运算div_res = torch.div(x, y) 转置： x = torch.randn(3, 4)y = x.transpose(0, 1)

下面是对张量操作的总结，不含代码，要用再查：

创建操作：用于构造张量的函数，如ones()和from_numpy()修改操作：用于直接修改张量索引、切片、连接、转换操作：用于改变张量的形状、步长或内容的函数数学操作：通过运算操作张量内容的函数： 逐点操作：通过对每个元素分别应用一个函数来得到一个新的张量，如abs()、cos()归约操作：通过迭代张量来计算聚合值的函数，如mean()比较操作：在张量上计算数字谓词的函数频谱操作：在频域上进行变换和操作的函数其他操作：作用于向量的特定函数，或对矩阵进行操作的函数BLAS和LAPACK操作：符合基本线性代数子程序规范的函数，用于标量、向量—向量、矩阵—向量、矩阵—矩阵操作 随机采样：从概率分布中随机生成值的函数序列化：保存和加载张量的函数并行化：用于控制并行CPU执行的线程数的函数。

与·numpy的互操作：

# 从张量points得到一个numpy数组points_np = points.numpy()# 从numpy得到一个pytorch张量points = torch.from_numpy(points_np)