人工智能学习Pytorch教程Tensor基本操作示例详解
目录
- 一、tensor的创建
- 1.使用tensor
- 2.使用Tensor
- 3.随机初始化
- 4.其他数据生成
- ①torch.full
- ②torch.arange
- ③linspace和logspace
- ④ones, zeros, eye
- ⑤torch.randperm
- 二、tensor的索引与切片
- 1.索引与切片使用方法
- ①index_select
- ②...
- ③mask
- 三、tensor维度的变换
- 1.维度变换
- ①torch.view
- ②squeeze/unsqueeze
- ③expand,repeat
- ④t,transpose,permute
一、tensor的创建
1.使用tensor
小写字母的tensor接收具体的数据,可以直接按照numpy的方式输入数组。
2.使用Tensor
大写字母的可以接收形状,此时会生成随机数,但没有任何规则。可以生成不同的类型。
自动生成的数据有默认类型,FloatTensor,可以使用torch.set_default_tensor_type去修改
3.随机初始化
rand
:0-1之间均匀采样
randn
:均值0,方差1的正态分布随机采样
以上两种可以直接输入形状,即可产生对应形状的随机数。
randint
:参数是---起始值、终止值、形状
同时每一个都会有一个_like方法,输入一个tensor,会生成对应形状的新tensor
4.其他数据生成
①torch.full
参数是---形状,数据。如果形状的位置给一个空的list,生成的就是标量。
②torch.arange
参数是---起始,终止,步长。不包含终止值。
③linspace和logspace
参数是---起始,终止,数量。包含终止值
④ones, zeros, eye
输入形状即可。ones和zeros也有_like方法
⑤torch.randperm
随机打散。输入一个数字,会自动生成这个数字长度的,从0开始的随机排列数字,可以作为索引。当需要对不同的数据,使用相同的索引,并且打乱顺序时,非常好用。
二、tensor的索引与切片
1.索引与切片使用方法
和python中的索引切片使用方法一致
①index_select
输入的参数---维度的位置、要选的内容对应的维度的索引。不太好理解,可以看下面的例子。
②...
三个点相当于集成了的连续的冒号。
③mask
需要先根据数据生成一个mask,比如挑选出大于等于0.3的数,此时会得到一个和数据相同形状的,满足条件位置是1,不满足条件的位置是0的一个mask,通过masked_select可以选出数据。
三、tensor维度的变换
1.维度变换
①torch.view
和numpy中的reshape方法一样。转换的时候需要考虑到实际的物理意义。
②squeeze/unsqueeze
squeeze
输入的参数---需要减少的维度所在位置
unsqueeze
输入的参数---需要增加的维度所在的位置
③expand,repeat
expand
输入的参数---希望扩展后所形成的维度
repeat
输入的参数---各自维度需要重复的次数
通常使用expand,因为不会主动复制数据。
④t,transpose,permute
t
:和numpy中的转置一样,只针对二维矩阵操作
transpose
:输入需要交换的维度的位置即可。但想要还原的时候,需记得转换后的各个位置的物理意义,根据实际意义进行再次转换。见下面的例子。
permute
:输入希望转换成的维度的位置索引即可。相当于多次使用transpose
以上就是人工智能学习Pytorch教程Tensor基本操作示例详解的详细内容,更多关于Pytorch的tensor基本操作的资料请关注我们其它相关文章!