怎么免费建立网站,广告设计制作公司简介,logo在线设计生成器app,网站重新备案1. 张量概念 张量本质上是一个n维数组#xff0c;它在numpy中为ndarray, 在pytorch中称为tensor #xff0c; 两者的区别在于#xff1a; numpy仅支持CPU计算tensor能支持GPU运算#xff0c;并且支持自动微分#xff0c;更适合深度学习 2. 张量的访问 一个二维矩阵a它在numpy中为ndarray,  在pytorch中称为tensor 两者的区别在于 numpy仅支持CPU计算tensor能支持GPU运算并且支持自动微分更适合深度学习 2. 张量的访问 一个二维矩阵a可以使用切片的方式灵活访问 访问指定元素a [1,2]访问一整行元素a [1,:]访问一整列元素a[:,1]访问1到3行之间、第1列以后的矩形区域a[1:3, 1:]切片统一是左闭右开跳跃访问a[::3, ::2] 表示每3行取一行036……、每2列取一列024……的方式访问 3. 张量的初始化 x torch.arrange(12) : 初始化元素数量为12的一维张量tensor), 元素值分别为从0开始的前12个整数。x.shape张量的形状即张量的维度信息例如1维12列。x.numel元素数量类似于数组的len函数。y x.reshape(3,4) 修改张量的形状为3行4列元素数量及值不变y只是x的一个view。torch.zeros((2,3,4)) 和torch.ones((2,3,4))torch.randn(2,3,4): 创建指定形状的张量并初始化为全0或全1或全随机数。torch.tensor([[1,2,3,4], [5,6,7,8], [9,10,11,12]]) : 创建一个张量并为每个元素赋确定值。 4. 运算 标准运算直接使用算术运算符、-、*、/对具有相同形状的张量进行操作它将对每个位置的元素分别使用运算符进行操作。 x torch.tensor([1.0, 2, 4, 8]) y torch.tensor([2, 2, 2, 2]) x y, x - y, x * y, x / y, x ** y # **运算符是求幂运算# 输出 (tensor([ 3., 4., 6., 10.]),tensor([-1., 0., 2., 6.]),tensor([ 2., 4., 8., 16.]),tensor([0.5000, 1.0000, 2.0000, 4.0000]),tensor([ 1., 4., 16., 64.])) 求冥运算 torch.exp(x)# 输出 tensor([2.7183e00, 7.3891e00, 5.4598e01, 2.9810e03]) 多个张量连接 # dtype可以指定初始元素值的类型为float而不是默认的整数。 X torch.arange(12, dtypetorch.float32).reshape((3,4)) Y torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]]) # X (tensor([[ 0., 1., 2., 3.],[ 4., 5., 6., 7.],[ 8., 9., 10., 11.]]), # Y (tensor([[ 2., 1., 4., 3.],[ 1., 2., 3., 4.],[ 4., 3., 2., 1.]]),# dim0表示按照第1维即行进行数据连接将Y矩阵每一行连接到X矩阵每一行的后面 # dim1则表示按照第二维即列进行数据列表 torch.cat((X, Y), dim0), # 输出tensor([[ 0., 1., 2., 3., 2., 1., 4., 3.],[ 4., 5., 6., 7., 1., 2., 3., 4.],[ 8., 9., 10., 11., 4., 3., 2., 1.]]))等值判断等于每个位置的元素分别进行等值判断 X Y # 输出 tensor([[False, True, False, True],[False, False, False, False],[False, False, False, False]]) 求和对张量中所有元素求和产生一个单元素张量 X.sum() 5. 广播机制 用于对形状不同的矩阵执行按元素操作工作机制为 通过复制元素来扩展矩阵以便两个张量具有相同的形状。对扩展后相同形状的矩阵执行上述操作。 两个张量a 为3行1列b为1行2列 a torch.arange(3).reshape((3, 1)) b torch.arange(2).reshape((1, 2)) a, b# 输出 (tensor([[0],[1],[2]]),tensor([[0, 1]])) 形状不同的张量进行算术运算时会自动扩展为相同的形状后再进行运算。 a btensor([[0, 1],[1, 2],[2, 3]]) 6. 切片赋值 指定元素赋值 X[1, 2] 9 多个元素赋相同的值 # 矩阵前两行的每个元素都赋值12 X[0:2, :] 12 # 输出X tensor([[12., 12., 12., 12.],[12., 12., 12., 12.],[ 8., 9., 10., 11.]]) 7. 原地操作 有些操作会引起新分配内存例如 before id(Y) # 这一步运算后Y已经指向了另一个地址 Y Y X id(Y) before# 输出 False 这会带来的问题是在机器学习中我们可能有数百兆的参数并且在一秒内多次更新所有参数。通常情况下我们希望原地执行这些更新。 原地操作的方法 # 原地操作写法-1 Y[:] X Y # 原地操作写法-2 X Y 8. 张量与numpy的转换 A X.numpy()     # 张量转换为numpy数组B torch.tensor(A)   # numpy数组转换为张量a.item()           # 将只有一个元素的张量转换为普通的python变量