网站服务名词解释,wordpress 用户 新增,网页设计实验报告摘要,软件开发分工5个角色PyTorch深度学习总结 第一章 Pytorch中张量(Tensor)的生成 文章目录 PyTorch深度学习总结一、什么是PyTorch#xff1f;二、张量(Tensor)1、张量的数据类型2、张量生成和信息获取 总结 一、什么是PyTorch#xff1f; PyTorch是一个开源的深度学习框架#xff0c;基于Python…PyTorch深度学习总结 第一章 Pytorch中张量(Tensor)的生成 文章目录 PyTorch深度学习总结一、什么是PyTorch二、张量(Tensor)1、张量的数据类型2、张量生成和信息获取 总结 一、什么是PyTorch PyTorch是一个开源的深度学习框架基于Python语言。它由Facebook的人工智能研究团队于2016年开发并发布。 PyTorch提供了一种灵活的、动态的计算图模型使得开发者可以方便地构建和训练神经网络模型。PyTorch采用了动态图的方式即在运行时才构建计算图这与静态图的框架相比具有更大的灵活性和易用性。开发者可以使用Python的控制流语句和标准库函数来定义和操作计算图这使得模型的编写和调试变得更加简单和直观。 PyTorch还提供了丰富的工具和库用于大规模训练和部署深度学习模型。其中包括数据加载和预处理、模型定义、优化算法、可视化等功能。 此外PyTorch还与许多其他常用的Python库和工具集成如NumPy、SciPy和Jupyter Notebook。 总之PyTorch是一个强大而灵活的深度学习框架它在易用性、灵活性和性能方面都具有优势使得开发者可以更加自由地进行深度学习模型的设计、训练和部署。 二、张量(Tensor) 张量是一种数学对象可以用来表示多维数组或多维矩阵。 张量在深度学习和神经网络中也被广泛应用用于表示和处理大规模数据集。 1、张量的数据类型 在torch中CPU和GPU张量分别有8种数据类型 数据类型DtypeCPU TensorGPU Tensor32位浮点型Torch.float或torch.float32torch.FloatTensortorch.cuda.FloatTensor64位浮点型Torch.double或torch.float64torch.DoubleTensortorch.cuda.DoubleTensor16位浮点型Torch.half 或torch.float16torch.HalfTensortorch.cuda.HalfTensor8位无符号整型Torch.uint8torch.ByteTensortorch.cuda.ByteTensor8位有符号整型Torch.int8torch.CharTensortorch.cuda.CharTensor16位有符号整型Torch.short 或Torch.int16torch.ShortTensortorch.cuda.ShortTensor32位有符号整型Torch.int或Torch.int32torch.IntTensortorch.cuda.IntTensor64位有符号整型Torch.long 或Torch.int64torch.LongTensortorch.cuda.LongTensor Torch中默认数据类型为torch.FloatTensor和torch.int64 如果要修改默认数据类型可以使用函数 torch.set_default_tensor_type() 注此函数只有torch.DoubleTensor和torch.FloatTensor两个参数 ①自动生成情况分析 # 引入库 import torch# 创建张量 a torch.tensor([1, 2]) # 均为整数 print(a.dtype)输出结果为torch.int64 # 引入库 import torch# 创建张量 a torch.tensor([1.2, 2]) # 涉及到小数 print(a.dtype)输出结果为torch.float32 ②修改后情况分析 # 引入库 import torch# 创建张量 torch.set_default_tensor_type(torch.DoubleTensor) a torch.tensor([1, 2]) print(a.dtype)输出结果为torch.int64 # 引入库 import torch# 创建张量 torch.set_default_tensor_type(torch.DoubleTensor) a torch.tensor([1.2, 2]) print(a.dtype)输出结果为torch.float64 2、张量生成和信息获取 ①张量生成 A torch.tensor([[1, 1], [2, 2]])在深度学习中需要对梯度大小进行更新所以需要计算梯度需注意只有浮点型数据才可以计算梯度。 B torch.tensor([[1, 1], [2, 2]], dtypetorch.float32, requires_gradTrue)输出结果为tensor([[1., 1.],[2., 2.]], dtypetorch.float32, requires_gradTrue) 其中dtype设置数据类型requires_grad设置是否需要计算梯度。 函数描述torch.zeros(3, 3)3*3的全0张量torch.ones(3, 3)3*3的全1张量torch.eye(3, 3)3*3的单位张量torch.full((3, 3) , full_value0.25)3*3使用0.25填充的张量torch.empty(3, 3)3*3的空张量torch.rand(3, 3)3*3的随机张量torch.ones_like(A)与A大小相同的全1张量torch.zeros_like(A)与A大小相同的全0张量torch.rand_like(A)与A大小相同的随机张量torch.ones_like(A)与A大小相同的全1张量torch.arange(start0, end2, step1)tensor([0, 1]) ②张量信息获取 获取张量维度 # 获取张量维度 A_shape A.shape print(A_shape)输出结果为torch.Size([2, 2]) 获取张量大小 # 获取张量维度 A_size A.size() print(A_size)输出结果为torch.Size([2, 2]) 获取张量中包含元素数量 # 获取张量中包含元素数量 A_number A.numel() print(A_number)输出结果为4 总结 张量在深度学习中起着重要的作用。在深度学习中数据通常以张量的形式表示。 张量的数值存储了模型的参数值和数据的特征表示通过对张量进行运算和优化可以使模型逐渐学习到更好的特征表示和参数。 张量的计算和变换是深度学习的核心操作它们的高效实现对于深度学习算法的训练和推理过程至关重要。