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
|
1
2
|
from __future__ import print_functionimport torch |
建立5*3的矩阵，未初始化
|
1
2
|
x = torch.empty(5,3)print(x) |
out
|
1
2
3
4
5
|
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
|
1
2
|
x = torch.rand(5,3)print(x) |
out
|
1
2
3
4
5
|
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
|
1
2
3
4
|
...x = torch.zeros(5,3,dtype = torch.long) print(x)... |
out
|
1
|
tensor([[ 0, 0, 0],<br> [ 0, 0, 0],<br> [ 0, 0, 0],<br> [ 0, 0, 0],<br> [ 0, 0, 0]]) |
建立一个tensor数据来源于data
|
1
2
|
x = torch.tensor([5.5,3])print(x) |
out
|
1
|
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
|
1
2
3
4
|
x = x.new_ones(5,3,dtype = torch.double)print(x)x = torch.randn_like(x,dype = torch.float)print(x) |
out
|
1
2
3
4
5
6
7
8
9
10
|
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
|
1
|
print(x.size()) |
out
|
1
|
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
|
1
|
print(x+y) |
方法二
|
1
|
print(torch.add(x,y)) |
方法三：输出给额外的tensor
|
1
2
3
|
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
|
1
|
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
|
1
|
print(x[：1] |
out
|
1
|
tensor([-0.0716, 0.8790, 0.8736, -2.9178, 0.4075]) |
使用torch.view 改变tensor的形状
|
1
2
3
4
|
x = torch.randn(4,4)y = x.view(16)z = x.view(-1,8) # the size -1 is inferred from other dimensionsprint (x.size(),y.xize(),z.size()) |
out
|
1
|
torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8]) |
tensor转化为numpy的数字，使用item
|
1
2
3
|
x = torch.rnadn(1)print(x)print(x.item()) |
Torch Tensor 和numpy的相互转换
|
1
2
|
a = torch.ones(5)print (a) |
out
|
1
|
tensor([ 1., 1., 1., 1., 1.]) |
并且改变tensor的值会同时改变numpy的值
|
1
2
3
|
a.add_(1)print(a)print(b) |
out
|
1
2
|
tensor([ 2., 2., 2., 2., 2.])[ 2. 2. 2. 2. 2.] |
将numpy array转化为pytorch Tensor
|
1
2
3
4
5
6
|
import numpy as npa = np.ones(5)b = torch.from_numpy(a)np.add(a,1,out = a )print(a)print（b） |
out
|
1
2
|
[ 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
|
1
2
3
4
5
6
7
8
9
|
...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
|
1
2
|
tensor([-1.0620], device='cuda:0')tensor([-1.0620], dtype=torch.float64) |
以上就是pytorch教程之Tensor学习笔记的详细内容，更多关于pytorch教程的资料请关注服务器之家其它相关文章！
原文链接：https://blog.csdn.net/xz1308579340/article/details/80078225
