一、Tensor

Tensor(張量是一個統稱，其中包括很多類型)：

0階張量：標量、常數、0-D Tensor；1階張量：向量、1-D Tensor；2階張量：矩陣、2-D Tensor；……

二、Pytorch如何創建張量

2.1 創建張量

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

2.2 tensor與ndarray的關系

兩者之間可以相互轉化

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]]))

運行結果：

2.3 常用api

torch.empty(x,y)

創建x行y列為空的tensor。

torch.ones([x, y])

創建x行y列全為1的tensor。

torch.zeros([x,y])

創建x行y列全為0的temsor。

zeros與empty的區別

后者的數據類型是不固定的。

torch.rand(x, y)

創建3行4列的隨機數，隨機數是0-1。

torch.randint(low, high, size)

創建一個size的tensor，隨機數為low到high之間。

torch.randn([x, y])

創建一個x行y列的tensor，隨機數的分布式均值為0，方差1。

2.4 常用方法

item()：

獲取tensor中的元素，注意只有一個元素的時候才可以用。

numpy()：

轉化成ndarray類型。

size()

獲取tensor的形狀。

view()

淺拷貝，tensor的形狀改變。

可以傳參，表示獲取第幾個。若參數為-1，表示不確定，與另一個參數的乘積等于原始形狀的乘積。 例如：原始形狀為8，則view(-1,2) ⇒ view(4, 2)； 參數只有-1，表示一維。

dim()

獲取維度。

max()

獲取最大值。

t()

轉置。

transpose(x,y)

x，y是size里面返回的形狀相換。

permute()

傳入size()返回的形狀的順序。

transpose與permute的區別

前者傳入列即可相互交換；后者傳入列會根據傳入的順序來進行轉化，且需要傳入所有列數的索引。

取值[第一階, 第二階,……]

一個逗號隔開代表一個階乘冒號代表全取

賦值[第一階, 第二階,……]

直接賦值即可

三、數據類型

3.1 獲取數據類型

tensor.dtype

獲取數據類型

設置數據類型

注意使用Tensor()不能指定數據類型。

type()

修改數據類型。

四、tensor的其他操作

4.1 相加

torch.add(x, y)

將x和y相加。

直接相加

tensor.add()

使用add_() 可相加后直接保存在tensor中

4.2 tensor與數字的操作

tensor + 數值

五、CUDA中的tensor

CUDA (Compute Unified Device Architecture)，是NVIDIA推出的運算平臺。CUDATM是一種由NVIDIA推出的通用并行計算架構，該架構使GPU能夠解決復雜的計算問題。
torch.cuda這個模塊增加了對CUDA tensor的支持，能夠在cpu和gpu上使用相同的方法操作tensor通過.to方法能夠把一個tensor轉移到另外一個設備(比如從CPU轉到GPU)

可以使用torch.cuda.is_available()判斷電腦是否支持GPU

到此這篇關于Python深度學習之Pytorch初步使用的文章就介紹到這了,更多相關Pytorch初步使用內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！