Pytorch基础知识

news2024/11/15 17:50:11

Pytorch 基础知识

1.1 张量的概念

在PyTorch中，张量（Tensor）属于一种数据结构，它可以使一个标量、一个向量、一个矩阵，甚至是更维度的数组。类似于numpy中的数组 (ndarray),并且它们是可以相互转化的，在PyTorch中的相关计算和优化都是在Tensor的基础上完成的。
Tensor(张量)

  • 标量(Scalar)是只有大小没有方向的量，如1，2，3，等
  • 向量(Vector)是由大小和方向的量，如[1,2,3]
  • 矩阵(Matrix)是多个向量组成的，如[[1,2,3],[4,5,6]]
  • 张量是基于向量和矩阵的推广，我们可以将标量视为零阶张量，向量视为一阶张量，矩阵就是二阶张量。
  • 张量是支持高效的科学计算的数组，它可以是一个数（标量）、一维数组（向量）、二维数组（矩阵）和更高维的数组（高阶数据）
  • 张量（tensor）和NumPy的数组ndarray通常可以共享相同的底层内存，无需复制数据。

1.2 张量的数据类型

pytorch最基本的操作对象是Tensor(张量）

  • 它表示一个多维矩阵，
  • 张量类似于NumPy的ndarrays,
  • 张量可以在GPU上使用以加速计算
    在torch中CPU和GPU张量分别有8种数据类型，如下图所示。

在这里插入图片描述

注意 在pytorch种可以使用 torch.get_default_dtype()获取默认数据类型，以及使用torch.set_default_dtype()来设置默认数据类型。

常见的库文件介绍

import torch
包括了用于多维张量的数据结构，并定义了对于它们的数学计算。此外，这个包也提供了多种有效的张量及任意类型的并行化用法，以及其他有用的方法。
这个包对应于CUDA，允许用户在NVIDIA GPU（运算能力>=3.0）上运行张量计算。
import pandas as pd
是当前最流行、最常用的数据分析工具。当处理表格数据(比如存储在电子表格或数据库中的数据)时，pandas是最适合您的工具。它将帮助您探索、清理和处理您的数据。数据表被称为DataFrame，panda支持与多种文件格式或数据源的集成(csv、excel、sql、json、parquet…)。从每个数据源导入数据是由前缀为read_xx的函数提供的。类似地，to_xx方法用于存储数据……选择或过滤特定的行和或列的过滤条件下的数据。在pandas中可以使用切片、选择和提取所需数据的方法。它是基于numpy，且集成了matplotlib模块。
import numpy as np
是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix）），支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
import matplotlib.pyplot as plt
Matplotlib主要的作用，是用来生成绘图，直方图，功率谱，条形图，错误图，散点图等，而Matplotlib是一个Python的2D绘图库，它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形。

import torch 
import numpy as np

(1)cpu与gpu上运算

A = torch.tensor([1,2,3])
A.device  #张量在内存中

device(type='cpu')

#如果gpu可用，转到cuda上
if torch.cuda.is_available():
    A = A.to('cuda')
A.device   

device(type='cuda', index=0)

A = A.to('cpu')
A.device  

device(type='cpu')

(2)数据类型转换

A.dtype

torch.int64

A = A.type(torch.float16)
A

tensor([1., 2., 3.], dtype=torch.float16)

A = A.long()
A.dtype

torch.int64

1.3张量的创建

(1) 使用torch.tensor()函数生成张量

##### python的列表或序列可以通过该函数构造张量
A = torch.tensor([1,2,3]) #直接从列表生成 自动判断类型 1.，2.，3. 一般使用float
A 

tensor([1, 2, 3])

A.dtype

torch.int64

B = torch.FloatTensor([1,2,3]) ##用float创建
B.dtype

torch.float32

(2) 使用torch.Tensor()函数
使用torch.Tensor()函数可以生成指定形状的张量。

#根据已有的数据创建
C = torch.Tensor([1,2,3,4])
C

tensor([1., 2., 3., 4.])

#根据形参的生成特定尺寸的张量
D = torch.Tensor(2,3)
D

tensor([[0.0000, 0.0000, 0.0000],
        [0.0000, 0.0000, 2.1250]])

对于指定大小，但数值特殊的一些张量也可以通过以下方式生成

torch.ones(3,3),torch.zeros(3,4),torch.empty(3,5),torch.eye(3) #单位张量

(tensor([[1., 1., 1.],
         [1., 1., 1.],
         [1., 1., 1.]]),
 tensor([[0., 0., 0., 0.],
         [0., 0., 0., 0.],
         [0., 0., 0., 0.]]),
 tensor([[9.3674e-39, 1.0745e-38, 1.0653e-38, 9.5510e-39, 1.0561e-38],
         [1.0194e-38, 1.1112e-38, 1.0561e-38, 9.9184e-39, 1.0653e-38],
         [4.1327e-39, 1.0194e-38, 1.0469e-38, 8.9082e-39, 1.5134e-43]]),
 tensor([[1., 0., 0.],
         [0., 1., 0.],
         [0., 0., 1.]]))

#指定大小的指定填充数值的张量
torch.full((3,3),fill_value=0.25)

tensor([[0.2500, 0.2500, 0.2500],
        [0.2500, 0.2500, 0.2500],
        [0.2500, 0.2500, 0.2500]])

针对已经生成的张量，可以使用torch.xx_like()系列函数生成与指定张量一样的张量。

#创建一个与D相同大小和类型的全1张量
torch.ones_like(D)

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

#创建一个与D相同大小和类型的全0张量
torch.zeros_like(D)

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

#创建一个与D相同大小和类型的随机张量
torch.rand_like(D)

tensor([[0.0310, 0.7353, 0.4987],
        [0.0782, 0.7570, 0.0412]])

(3)张量和NumPy数据相互转换

一些张量可以先转化位Numpy数组，在通过Numpy数组进行相关计算后，以再次转化为张量，以方面张量的相关计算。
注意: Numpy数组转张量使用torch.as_tensor()函数或者torch.from_numpy()函数，而张量转Numpy使用torch.numpy()函数

E = np.ones((3,3))
# torch.as_tensor()
Etensor1 = torch.as_tensor(E)
# torch.from_numpy()
Etensor2 = torch.from_numpy(E)
# .numpy() 注意它是一个实例方法
E1 = Etensor1.numpy()
Etensor1,Etensor2,E1

(tensor([[1., 1., 1.],
         [1., 1., 1.],
         [1., 1., 1.]], dtype=torch.float64),
 tensor([[1., 1., 1.],
         [1., 1., 1.],
         [1., 1., 1.]], dtype=torch.float64),
 array([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]]))

(4)随机数生成张量

在Pytorch种还可以通过相关随机数来生成张量，并且可以指定生成随机数的分布函数等。在生成随机数之前，可以使用torch.manual_seed()函数，指定生成随机数的种子，用于保证随机生成的随机数是可重复出现的。

torch.manual_seed(123)
#通过mean指定随机数的均值，std参数指定随机数的标准差，如果mean和std是有多个值，可以生成多个离散正态分布中抽取的随机数。
torch.normal(mean=0.0,std=torch.arange(1,5.0))

tensor([-0.1115,  0.2407, -1.1089, -0.9617])

#在区间[0,1]上生成服从均匀分布的张量
torch.manual_seed(123)
F = torch.rand(3,4)
G = torch.randn(2,3) #创建标准分布随机数
K = torch.randn_like(G) #创建0~1之间，形状数据类似t的随机张量 在gan中常用
F,G,K

(tensor([[0.2961, 0.5166, 0.2517, 0.6886],
         [0.0740, 0.8665, 0.1366, 0.1025],
         [0.1841, 0.7264, 0.3153, 0.6871]]),
 tensor([[-0.9724, -0.7550,  0.3239],
         [-0.1085,  0.2103, -0.3908]]),
 tensor([[ 0.2350,  0.6653,  0.3528],
         [ 0.9728, -0.0386, -0.8861]]))

#torch.randperm(n) 将0到n中的数，随机排序后输出
torch.randperm(10)

tensor([1, 0, 6, 7, 2, 4, 5, 8, 9, 3])

(5)其它生成张量的函数
例如 torch.arange(n),torch.linspace()等间隔生成，torch.logspace()对数等间隔生成

torch.arange(start=1, end = 10, step= 5),torch.linspace(start=1, end = 10, steps= 5),torch.logspace(start=0.1, end = 1, steps= 5)

(tensor([1, 6]),
 tensor([ 1.0000,  3.2500,  5.5000,  7.7500, 10.0000]),
 tensor([ 1.2589,  2.1135,  3.5481,  5.9566, 10.0000]))

1.4张量操作

(1)形状以及形状变换

A = torch.arange(12.0)
A.shape,A.reshape(3,4)

(torch.Size([12]),
 tensor([[ 0.,  1.,  2.,  3.],
         [ 4.,  5.,  6.,  7.],
         [ 8.,  9., 10., 11.]]))

A.resize_(3,4)

tensor([[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.]])

#改变成相同尺寸
B = torch.arange(1,13)
B.resize_as_(A)

tensor([[ 1,  2,  3,  4],
        [ 5,  6,  7,  8],
        [ 9, 10, 11, 12]])

B.size(),B.size(0) #size与shape不同就是可以给参数，size返回某一维的大小

(torch.Size([3, 4]), 3)

(2)维度扩展

torch.unsqueeze()函数可以在张量的指定维度出入新的维度提升张量。而torch.squeeze()函数可以一处指定或者所有维度大小为1维度的张量。

C = torch.arange(12.0).reshape(2,6)
D = torch.unsqueeze(C,dim=0)
D.shape

torch.Size([1, 2, 6])

E = torch.squeeze(D)
E.shape

torch.Size([2, 6])

#expand()对张量拓展
F = E.expand(2,-1)
#repeat进行整体重复
G = E.repeat(1,2,2)
F,G

(tensor([[ 0.,  1.,  2.,  3.,  4.,  5.],
         [ 6.,  7.,  8.,  9., 10., 11.]]),
 tensor([[[ 0.,  1.,  2.,  3.,  4.,  5.,  0.,  1.,  2.,  3.,  4.,  5.],
          [ 6.,  7.,  8.,  9., 10., 11.,  6.,  7.,  8.,  9., 10., 11.],
          [ 0.,  1.,  2.,  3.,  4.,  5.,  0.,  1.,  2.,  3.,  4.,  5.],
          [ 6.,  7.,  8.,  9., 10., 11.,  6.,  7.,  8.,  9., 10., 11.]]]))

(3)获取张量中的元素

利用切片和索引获取张量中的元素

A = torch.arange(12).reshape(1,3,4)
A

tensor([[[ 0,  1,  2,  3],
         [ 4,  5,  6,  7],
         [ 8,  9, 10, 11]]])

A[0]

tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]])

#获取第0维度下的矩阵前俩行元素
A[0,0:2,:]

tensor([[0, 1, 2, 3],
        [4, 5, 6, 7]])

#获取第0维度下的矩阵,最后一行-4到-1列
A[0,-1,-4:-1]

tensor([ 8,  9, 10])

根据条件刷选 torch.where()

B = -A
torch.where(A>5,A,B)#当A>5为ture时，返回A对应位置的值，否则返回B对应位置的值

tensor([[[ 0, -1, -2, -3],
         [-4, -5,  6,  7],
         [ 8,  9, 10, 11]]])

#获取A中大于5的元素
A[A>5]

tensor([ 6,  7,  8,  9, 10, 11])

其它函数还有troch.tril() torch.triu() torch.diag()

(4)拼接和拆分

torch.cat(),可以将多个张量在指定的维度进行拼接，得到新的张量

A = torch.arange(6.0).reshape(2,3)
B = torch.linspace(0,10,6).reshape(2,3)
#在0维度上进行拼接
C = torch.cat([A,B],dim=0)
C,C.shape

(tensor([[ 0.,  1.,  2.],
         [ 3.,  4.,  5.],
         [ 0.,  2.,  4.],
         [ 6.,  8., 10.]]),
 torch.Size([4, 3]))

#在1维度上连接3个张量
torch.cat((A[:,0:2],A,B),dim=1)

tensor([[ 0.,  1.,  0.,  1.,  2.,  0.,  2.,  4.],
        [ 3.,  4.,  3.,  4.,  5.,  6.,  8., 10.]])

torch.stack()函数，可以将多个张量按照指定的维度进行堆叠

C = torch.stack((A,B),dim=0) #注意观察与cat的不同
C.shape 

torch.Size([2, 2, 3])

torch.chunk()函数可以将张量分割为特定数量的块

torch.chunk(A,2,dim=0)

(tensor([[0., 1., 2.]]), tensor([[3., 4., 5.]]))

torch.split()函数在将张量分割为特定数量的块时，可以指定每个块的大小

D1,D2,D3 = torch.split(A,[1,1,1],dim=1)
D1,D2,D3

(tensor([[0.],
         [3.]]),
 tensor([[1.],
         [4.]]),
 tensor([[2.],
         [5.]]))

C = torch.stack((A,B),dim=0) #注意观察与cat的不同
C.shape 

torch.Size([2, 2, 3])

torch.chunk()函数可以将张量分割为特定数量的块

torch.chunk(A,2,dim=0)

(tensor([[0., 1., 2.]]), tensor([[3., 4., 5.]]))

torch.split()函数在将张量分割为特定数量的块时，可以指定每个块的大小

D1,D2,D3 = torch.split(A,[1,1,1],dim=1)
D1,D2,D3

(tensor([[0.],
         [3.]]),
 tensor([[1.],
         [4.]]),
 tensor([[2.],
         [5.]]))

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/181583.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

python3：openpyxl解析和生成excel的常用方法

python3：openpyxl解析和生成excel的常用方法

解析 打开已经存在的工作簿 openpyxl.load_workbook()方法 from openpyxl import load_workbookwb2 load_workbook(test.xlsx) print wb2.get_sheet_names() [Sheet2, New Title, Sheet1] 生成 创建一个工作簿 from openpyxl import Workbook# 一个工作簿(workbook)在创建…
阅读更多...
kafka的关键细节 以及 分区和主题的概念

kafka的关键细节 以及 分区和主题的概念

文章目录Kafka中的关键细节1.消息的顺序存储2. 单播消息的实现3.多播消息的实现4.查看消费组及信息主题、分区的概念1.主题Topic2.partition分区Kafka中的关键细节 1.消息的顺序存储 消息的发送方会把消息发送到broker中，broker会存储消息，消息是按照发…
阅读更多...
python本科毕业设计基于神经网络的虚假评论识别系统源码，含模型及数据

python本科毕业设计基于神经网络的虚假评论识别系统源码，含模型及数据

主要函数： 1.corpusprocess原始语料处理函数 2.train_word2vec生成word2vec向量 3.generate_id2wec获得索引的w2id,和嵌入权重embedding_weights 4.prepare_data 数据预处理 完整代码下载地址：python本科毕业设计基于神经网络的虚假评论识别系统源码 代…
阅读更多...
多线程(初阶)——多线程基础

多线程(初阶)——多线程基础

多线程(初阶)——多线程基础 文章目录多线程(初阶)——多线程基础1.认识线程2.多线程程序2.1 第一个Java多线程程序2.2 观察线程的详细情况2.3 sleep方法2.4 run和start方法的区别3.创建线程3.1 继承Thread类3.2实现Runnable接口3.3 通过匿名内部类创建线程3.4通过实现Runnable…
阅读更多...
【目标检测】------yolox网络结构

【目标检测】------yolox网络结构

YOLOX网络结构图 卷积和池化计算器： http://www.sqflash.com/cal.html
阅读更多...
ServletAPI 2-10复杂参数, 解析完的参数值都会放到 ModelAndViewContainer里面

ServletAPI 2-10复杂参数, 解析完的参数值都会放到 ModelAndViewContainer里面

总结： 找到解析器后，用解析器去解析参数，都使用了resolveArgument()中以下方法 mavContainer.getModel(); mavContainer:模型和视图容器 视图：页面请求要返回一个地方，这个地方的地址叫视图 。比如要到/sucess 模…
阅读更多...
CV——day70 零基础学YOLO：YOLOv1

CV——day70 零基础学YOLO：YOLOv1

YOLO系列1. 不同阶段算法优缺点分析2. IOU指标计算3. MAP指标计算**指标分析**如何计算MAP4 YOLOv14.1 YOLOv1核心思想4.2 YOLOv1网络架构那么，7 * 7 * 30的输出是怎么来呢？4.3 损失函数4.3.1 位置误差4.3.2 置信度误差(含object)4.3.3 置信度误差(不含o…
阅读更多...
股票量化分析工具QTYX使用攻略——小市值轮动选股策略(更新2.5.9)

股票量化分析工具QTYX使用攻略——小市值轮动选股策略(更新2.5.9)

搭建自己的量化交易系统 如果要长期在市场中立于不败之地！必须要形成一套自己的交易系统。 如何学会搭建自己的量化交易系统？ 边学习边实战，在实战中学习才是最有效地方式。于是我们分享一个即可以用于学习，也可以用于实战炒股分析…
阅读更多...
Springboot农产品特产销售网站maven mysql idea

Springboot农产品特产销售网站maven mysql idea

摘 要 I 1 绪论 1 1.1研究背景 1 1.2研究现状 1 1.3研究内容 2 2 系统关键技术 3 2.1 JSP技术 3 2.2 JAVA简介 3 2.3 MYSQL数据库 4 2.4 B/S结构 4 3 系统分析 5 3.1 可行性分析 5 3.1.1 技术可行性 5 3.1.2经济可行性 5 3.1.3操作可…
阅读更多...
[Android开发基础2] 七大常用界面控件（附综合案例）

[Android开发基础2] 七大常用界面控件（附综合案例）

文章目录 一、文本TextView 二、按钮Button 三、编辑输入框EditText 四、图片ImageView 五、单选按钮RadioButton 六、复选框CheckBox 七、系统消息框Toast 综合案例&#xff1a;账号注册界面 一、文本TextView TextView控件用于显示文本信息。 演示&#xff1a; <?…
阅读更多...
kafka可视化web管理工具-KafkaMmap

kafka可视化web管理工具-KafkaMmap

kafka可视化web管理工具-KafkaMmap ​ 使用过kafka的小伙伴应该都知道kafka本身是没有管理界面的&#xff0c;所有操作都需要手动执行命令来完成。但有些命令又多又长&#xff0c;如果没有做笔记&#xff0c;别说是新手&#xff0c;就连老手也不一定能记得住&#xff0c;每次想…
阅读更多...
blender绑定骨骼法 2 rig

blender绑定骨骼法 2 rig

image.pngimage.png生成一个body_temp add neck 脖子 add chin 下巴 image.pngadd shoulder肩膀 image.pngadd wrist手腕 add spline root .额那个位置 image.pngadd ankle脚踝 image.pngFACIAL setup是面部的骨骼绑定,这里没眼球啥的就不弄了直接 点go 就生成了骨骼. image.pn…
阅读更多...
1、SPSS 25的安装

1、SPSS 25的安装

目录 一、简介 二、竞争优势 三、安装步骤 一、简介 SPSS 是一款用于Windows操作系统的数据和科学图形的数值分析软件&#xff0c;能够为用户提供多样的数据统计、处理、报告等功能&#xff0c;还能根据数据帮用户生成离散图、折线图等图形&#xff0c;以更加直观的方式向你…
阅读更多...
【数据库增删查改基础版】本文将与大家一起去探索基础版本的数据库增删查改，图文讲解数据库增删查改

【数据库增删查改基础版】本文将与大家一起去探索基础版本的数据库增删查改，图文讲解数据库增删查改

前言&#xff1a; 大家好&#xff0c;我是良辰丫&#xff0c;这篇文章我将带领大家进入基础版本增删查改数据库的学习&#xff0c;后面的文章会有数据库进阶版&#xff0c;更多的约束条件让你润享丝滑。增删查改是数据库操作中极其重要的内容&#xff0c;我们从简单入手&#x…
阅读更多...
12.Java二维数组讲解

12.Java二维数组讲解

本篇文章重点需要掌握的内容如下: 后面附有Java二维数组的练习题 文章目录前言一、二维数组的应用场景二、二维数组的初始化1.静态初始化2.动态初始化三、二维数组的内存图1.特殊情况1的写法:特殊情况1的写法的好处:2.特殊情况2的写法四、二维数组的练习题总结前言 一、二维数…
阅读更多...
三子棋游戏

三子棋游戏

前言 三子棋是一种民间传统游戏&#xff0c;又叫九宫棋、圈圈叉叉、一条龙、井字棋等。将正方形对角线连起来&#xff0c;相对两边依次摆上三个双方棋子&#xff0c;只要将自己的三个棋子走成一条线&#xff0c;对方就算输了。但是&#xff0c;有很多时候会出现和棋的情况。 文…
阅读更多...
Hi3861鸿蒙物联网项目实战：倒车雷达

Hi3861鸿蒙物联网项目实战：倒车雷达

华清远见FS-Hi3861开发套件&#xff0c;支持HarmonyOS 3.0系统。开发板主控Hi3861芯片内置WiFi功能&#xff0c;开发板板载资源丰富&#xff0c;包括传感器、执行器、NFC、显示屏等&#xff0c;同时还配套丰富的拓展模块。开发板配套丰富的学习资料&#xff0c;包括全套开发教程…
阅读更多...
Cadence PCB仿真 使用 Allegro PCB SI 敏感网络列表.lst文件的建立方法图文教程

Cadence PCB仿真 使用 Allegro PCB SI 敏感网络列表.lst文件的建立方法图文教程

🏡《Cadence 开发合集目录》   🏡《Cadence PCB 仿真宝典目录》 目录 1，概述2，基本方法3，建立技巧4，总结1，概述 敏感网络表（.lst文件）是一个在PCB设计阶段需要特别关注的网络列表。本文简单介绍其建立或导出方法。 2，基本方法 第1步：使用记事本新建1个文本文档…
阅读更多...
vue2原理核心Object.defineProperty()的理解

vue2原理核心Object.defineProperty()的理解

Object.defineProperty(obj, prop, { configurable:false //默认false ,为true是可以属性修改,删除 enumerable:false //默认false ,为true是可以枚举对象 value:prop对应的值 // 初始为undefined writable:false //默认false ,为true是可以修改value的值 }) o…
阅读更多...
python实现XML文件的内容变更

python实现XML文件的内容变更

文章目录一、使用背景二、实现效果三、内置库的使用四、代码实现解析五、完整代码一、使用背景 我们在某些情况下需要对XML格式的文件进行内容处理&#xff0c;可以直接打开处理&#xff0c;但是对于一些需要自动化或者不方便手动处理的情况下我们的代码实现就比较关键啦&…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023