目錄
- 1、Tensors
- 建立5*3的矩陣，未初始化
- 建立隨機(jī)初始化矩陣
- 建立零初始化矩陣，數(shù)據(jù)類(lèi)型是Long
- 建立一個(gè)tensor數(shù)據(jù)來(lái)源于data
- 獲取tensor的size
- 2、對(duì)Tensor的操作
- 實(shí)現(xiàn)加法的四種方式
- 所有原地替換
- 使用標(biāo)準(zhǔn)的numpy操作
- 使用torch.view 改變tensor的形狀
- tensor轉(zhuǎn)化為numpy的數(shù)字，使用item
- Torch Tensor 和numpy的相互轉(zhuǎn)換
- 將numpy array轉(zhuǎn)化為pytorch Tensor
- CUDA Tensors
參考網(wǎng)址
1、Tensors
Tensors are similar to NumPy's ndaeeays,不同的是可以在GPU上使用和加速計(jì)算。
導(dǎo)入包
from __future__ import print_function
import torch
建立5*3的矩陣，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]])
建立隨機(jī)初始化矩陣
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]])
建立零初始化矩陣，數(shù)據(jù)類(lèi)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]])
建立一個(gè)tensor數(shù)據(jù)來(lái)源于data
x = torch.tensor([5.5,3])
print(x)
out
tensor([ 5.5000, 3.0000])
在原有tnesor的基礎(chǔ)上形成新的tensor，會(huì)繼承原有tensor的shapee和dtype等屬性，當(dāng)然我么也可以修改這些屬性
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]])
獲取tensor的size
out
torch.size是一個(gè)元組，支持所有元組(tuple)的操作
2、對(duì)Tensor的操作
實(shí)現(xiàn)加法的四種方式
方法一L
方法二
方法三：輸出給額外的tensor
result = torch.empty(5,3)
torch.add(x,y ,out= result)
print (result)
方法四：原地替換-結(jié)果存放在y中
所有原地替換
所有原地替換tensor的操作都有后綴，比如x.copy(y)，會(huì)改變x
使用標(biāo)準(zhǔn)的numpy操作
out
tensor([-0.0716, 0.8790, 0.8736, -2.9178, 0.4075])
使用torch.view 改變tensor的形狀
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轉(zhuǎn)化為numpy的數(shù)字，使用item
x = torch.rnadn(1)
print(x)
print(x.item())
Torch Tensor 和numpy的相互轉(zhuǎn)換
a = torch.ones(5)
print (a)
out
tensor([ 1., 1., 1., 1., 1.])
并且改變tensor的值會(huì)同時(shí)改變numpy的值
a.add_(1)
print(a)
print(b)
out
tensor([ 2., 2., 2., 2., 2.])
[ 2. 2. 2. 2. 2.]
將numpy array轉(zhuǎn)化為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轉(zhuǎn)化，除了char形的tensor
CUDA Tensors
Tensors 可以被移動(dòng)到其他設(shè)備使用.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)
以上就是pytorch教程之Tensor學(xué)習(xí)筆記的詳細(xì)內(nèi)容，更多關(guān)于pytorch教程的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
您可能感興趣的文章:- 使用Pytorch搭建模型的步驟
- 如何使用Pytorch搭建模型
- pytorch構(gòu)建網(wǎng)絡(luò)模型的4種方法
- Pytorch教程內(nèi)置模型源碼實(shí)現(xiàn)
