【深度学习】Pytorch Tensor 张量

简介: 【1月更文挑战第10天】【深度学习】Pytorch Tensor 张量

目录

一、张量概述:

二、初始化张量:

直接使用Python列表转化为张量:

通过Numpy数组(ndarray)转换为张量:

通过已有的张量生成新的张量:

通过指定数据维度生成张量:

三、张量属性:

四、张量的运算:

1.张量的索引和切片:

2.张量的拼接:

3.张量的乘法和矩阵乘法:

乘法(点乘):

矩阵乘法(叉乘):

4.自动赋值运算:

五、Tensor和Numpy的相互转换:

1.由tensor转换为ndarray:

2.由Ndarray转换为Tensor:

     现在是凌晨12点,记录一下学习,重新复习一下Pytorch......好吧,其实也不算复习,之前也只是简单的了解了一下,仅此而已。但是!现在不一样,需要仔细的去学习!

    Let‘s do it !!!

    这只是一篇简单的学习笔记,仅此而已!!!

一、张量概述:
一种特殊的数据结构,使用在深度学习的神经网络中,类似数组(多维度)和矩阵。神经网络的输入输出、网格参数都是使用张量来进行描述!

import torch
import numpy as np
二、初始化张量:
张量的初始化方式有多种,主要是根据数据来源选择不同的初始化方法:

直接使用Python列表转化为张量:
data = [[1, 2], [3, 4]]
x_data = torch.tensor(data)
使用torch库中的函数tensor将一个二维python列表转换为一个二维的张量。

通过Numpy数组(ndarray)转换为张量:
ndarray和张量(tensor)之间是支持相互转换的

np_array = np.array(data)
x_np = torch.from_numpy(np_array)
通过已有的张量生成新的张量:
新的张量将会继承原有张量的数据属性(结构和类型),也可以重新指定新的数据属性。

x_ones = torch.ones_like(x_data) # 保留 x_data 的属性
print(f"Ones Tensor: \n {x_ones} \n")

x_rand = torch.rand_like(x_data, dtype=torch.float) # 重写 x_data 的数据类型int -> float
print(f"Random Tensor: \n {x_rand} \n")
Ones Tensor:
tensor([[1, 1],
[1, 1]])

Random Tensor:
tensor([[0.0381, 0.5780],
[0.3963, 0.0840]])
通过指定数据维度生成张量:
使用shape元组指定生成的张量维度,将元组传递给torch函数创建不同的张量:

shape = (2,3,)
rand_tensor = torch.rand(shape)
ones_tensor = torch.ones(shape)
zeros_tensor = torch.zeros(shape)

print(f"Random Tensor: \n {rand_tensor} \n")
print(f"Ones Tensor: \n {ones_tensor} \n")
print(f"Zeros Tensor: \n {zeros_tensor}")
Random Tensor:
tensor([[0.0266, 0.0553, 0.9843],
[0.0398, 0.8964, 0.3457]])

Ones Tensor:
tensor([[1., 1., 1.],
[1., 1., 1.]])

Zeros Tensor:
tensor([[0., 0., 0.],
[0., 0., 0.]])
三、张量属性:
通过张量的不同属性,可以知道张量的维度,张量的数据类型、张量的存储设备(物理设备)

tensor = torch.rand(3,4)

print(f"Shape of tensor: {tensor.shape}")
print(f"Datatype of tensor: {tensor.dtype}")
print(f"Device tensor is stored on: {tensor.device}")
Shape of tensor: torch.Size([3, 4]) # 维数
Datatype of tensor: torch.float32 # 数据类型
Device tensor is stored on: cpu # 存储设备
四、张量的运算:
检查当前运行环境是否支持Pytorch,检查代码:

判断当前环境GPU是否可用, 然后将tensor导入GPU内运行

if torch.cuda.is_available():
tensor = tensor.to('cuda')
1.张量的索引和切片:
Python的切片,第一个参数是行操作,第二个参数是列操作。

tensor = torch.ones(4, 4)
tensor[:,1] = 0 # 将第1列(从0开始)的数据全部赋值为0
print(tensor)
所有的索引位置都是从0开始:

tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
2.张量的拼接:
你可以通过torch.cat方法将一组张量按照指定的维度进行拼接, 也可以参考torch.stack方法。

t1 = torch.cat([tensor, tensor, tensor], dim=1)
print(t1)
注意这里的dim参数,这里是指定tensor拼接的维度,维度索引同样是从0开始,0表示第一维,1表示第二维,所以拼接在二维的情况是按照列拼接:

tensor([[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.]])
想知道有几个维度,数出有几层中括号就行,有几层中括号就有几维。而且,随着中括号由外向里走,维度依次增加:从 0 变为 1 变为 2。

3.张量的乘法和矩阵乘法:
简单区分一下乘法和矩阵乘法的区别:

乘法:在矩阵上是两个shape相同的矩阵(就是需要满足矩阵的形状一致),对应位置上的元素相乘
矩阵乘法:要求矩阵内联的维度一致,即(n,m)x (m,z)
乘法(点乘):

逐个元素相乘结果

print(f"tensor.mul(tensor): \n {tensor.mul(tensor)} \n")

等价写法:

print(f"tensor tensor: \n {tensor tensor}")
tensor.mul(tensor):
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])

tensor * tensor:
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
矩阵乘法(叉乘):
print(f"tensor.matmul(tensor.T): \n {tensor.matmul(tensor.T)} \n")

等价写法:

print(f"tensor @ tensor.T: \n {tensor @ tensor.T}")
tensor.matmul(tensor.T):
tensor([[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.]])

tensor @ tensor.T:
tensor([[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.]])
4.自动赋值运算:
自动赋值运算通常在方法后有 作为后缀, 例如: x.copy(y), x.t_()操作会改变 x 的取值。即将方法调用执行的结果重新赋值给调用方法的变量。

print(tensor, "\n")
tensor.add_(5)
print(tensor)
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])

tensor([[6., 5., 6., 6.],
[6., 5., 6., 6.],
[6., 5., 6., 6.],
[6., 5., 6., 6.]])
注意:自动赋值运算虽然可以节省内存, 但在求导时会因为丢失了中间过程而导致一些问题, 所以我们并不鼓励使用它。

五、Tensor和Numpy的相互转换:
张量和ndarray数组在CPU上可以共用一块内存区域,改变其中一个值,另一个也会发生改变。

1.由tensor转换为ndarray:
tensor直接调用numpy方法:

t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")
t: tensor([1., 1., 1., 1., 1.])
n: [1. 1. 1. 1. 1.]
此时,如果修改张量tensor的值,那么对应的ndarray中的值也会发生改变,这里只是变量类型的改变,但是变量指向的内存地址是同一个内存空间:

t.add_(1)
print(f"t: {t}")
print(f"n: {n}")
t: tensor([2., 2., 2., 2., 2.])
n: [2. 2. 2. 2. 2.]
2.由Ndarray转换为Tensor:
n = np.ones(5)
t = torch.from_numpy(n)
修改Numpy array数组的值,则张量值也会随之改变。

np.add(n, 1, out=n)
print(f"t: {t}")
print(f"n: {n}")
t: tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
n: [2. 2. 2. 2. 2.]

相关文章
|
18天前
|
机器学习/深度学习 算法 PyTorch
深度学习笔记(十三):IOU、GIOU、DIOU、CIOU、EIOU、Focal EIOU、alpha IOU、SIOU、WIOU损失函数分析及Pytorch实现
这篇文章详细介绍了多种用于目标检测任务中的边界框回归损失函数,包括IOU、GIOU、DIOU、CIOU、EIOU、Focal EIOU、alpha IOU、SIOU和WIOU,并提供了它们的Pytorch实现代码。
76 1
深度学习笔记(十三):IOU、GIOU、DIOU、CIOU、EIOU、Focal EIOU、alpha IOU、SIOU、WIOU损失函数分析及Pytorch实现
|
2月前
|
机器学习/深度学习 PyTorch 调度
在Pytorch中为不同层设置不同学习率来提升性能,优化深度学习模型
在深度学习中,学习率作为关键超参数对模型收敛速度和性能至关重要。传统方法采用统一学习率,但研究表明为不同层设置差异化学习率能显著提升性能。本文探讨了这一策略的理论基础及PyTorch实现方法,包括模型定义、参数分组、优化器配置及训练流程。通过示例展示了如何为ResNet18设置不同层的学习率,并介绍了渐进式解冻和层适应学习率等高级技巧,帮助研究者更好地优化模型训练。
98 4
在Pytorch中为不同层设置不同学习率来提升性能,优化深度学习模型
|
20天前
|
机器学习/深度学习 算法 数据可视化
如果你的PyTorch优化器效果欠佳,试试这4种深度学习中的高级优化技术吧
在深度学习领域,优化器的选择对模型性能至关重要。尽管PyTorch中的标准优化器如SGD、Adam和AdamW被广泛应用,但在某些复杂优化问题中,这些方法未必是最优选择。本文介绍了四种高级优化技术:序列最小二乘规划(SLSQP)、粒子群优化(PSO)、协方差矩阵自适应进化策略(CMA-ES)和模拟退火(SA)。这些方法具备无梯度优化、仅需前向传播及全局优化能力等优点,尤其适合非可微操作和参数数量较少的情况。通过实验对比发现,对于特定问题,非传统优化方法可能比标准梯度下降算法表现更好。文章详细描述了这些优化技术的实现过程及结果分析,并提出了未来的研究方向。
19 1
|
25天前
|
存储 并行计算 PyTorch
探索PyTorch:张量数值计算
探索PyTorch:张量数值计算
|
26天前
|
机器学习/深度学习 并行计算 PyTorch
探索PyTorch:张量的创建和数值计算
探索PyTorch:张量的创建和数值计算
|
26天前
|
机器学习/深度学习 PyTorch 算法框架/工具
探索PyTorch:张量的类型转换,拼接操作,索引操作,形状操作
探索PyTorch:张量的类型转换,拼接操作,索引操作,形状操作
|
18天前
|
PyTorch 算法框架/工具 Python
Pytorch学习笔记(十):Torch对张量的计算、Numpy对数组的计算、它们之间的转换
这篇文章是关于PyTorch张量和Numpy数组的计算方法及其相互转换的详细学习笔记。
28 0
|
25天前
|
机器学习/深度学习 数据采集 自然语言处理
【NLP自然语言处理】基于PyTorch深度学习框架构建RNN经典案例:构建人名分类器
【NLP自然语言处理】基于PyTorch深度学习框架构建RNN经典案例:构建人名分类器
|
19天前
|
算法 PyTorch 算法框架/工具
Pytorch学习笔记(九):Pytorch模型的FLOPs、模型参数量等信息输出(torchstat、thop、ptflops、torchsummary)
本文介绍了如何使用torchstat、thop、ptflops和torchsummary等工具来计算Pytorch模型的FLOPs、模型参数量等信息。
80 2
|
21天前
|
机器学习/深度学习 自然语言处理 监控
利用 PyTorch Lightning 搭建一个文本分类模型
利用 PyTorch Lightning 搭建一个文本分类模型
43 8
利用 PyTorch Lightning 搭建一个文本分类模型

相关实验场景

更多