PyTorch的10个基本张量操作

本文涉及的产品
检索分析服务 Elasticsearch 版,2核4GB开发者规格 1个月
实时计算 Flink 版,5000CU*H 3个月
智能开放搜索 OpenSearch行业算法版,1GB 20LCU 1个月
简介: PyTorch是一个基于python的科学计算包。它的灵活性允许轻松集成新的数据类型和算法,并且框架也是高效和可扩展的,下面我们将介绍一些Pytorch的基本张量操作。

Tensors

张量Tensors是一个向量,矩阵或任何n维数组。这是深度学习的基本数据结构,它们非常类似于数组和矩阵,我们可以通过它们有效地对大型数据集进行数学运算。张量可以表示为矩阵,也可以表示为矢量、标量或高维数组。

我们可以把张量想象成一个包含标量或其他数组的简单数组。在PyTorch上,张量是一个非常类似于ndarry的结构,不同之处在于它们能够在GPU上运行,这极大地加快了计算过程。

1、 tensor()

我们一般都会使用tensor()方法创建张量:

 torch.tensor([[3, 6], [2, 4.]])
 tensor([[3., 6.],
         [2., 4.]])

这里要保证传递的python数组维度是相同的,例如下面就会报错

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

2、randint ()

randint()方法返回一个张量,其中充满了给定形状在低(包含)和高(不包含)之间均匀分布的随机整数。形状它可以是一个元组或包含非负成员的列表。low的默认值是0。当只传递一个int参数时,默认情况下low获取值0,high获取传递的值。

 torch.randint(2,5, (2,2)) 
 tensor([[2, 4],
         [2, 4]])

3、complex()

complex()方法接受两个参数(real和image)并返回一个复数张量,复数实部real,虚部image,其中实部和虚部都是具有相同数据类型和相同形状的张量。

 a_real = torch.rand(2, 2) 
 print(a_real) 
 a_imag = torch.rand(2, 2) 
 print(a_imag) 
 a_complex_tensor = torch.complex(a_real, a_imag) 
 print(a_complex_tensor)

 tensor([[0.4356, 0.7506],
         [0.5335, 0.6262]])
 tensor([[0.1342, 0.0804],
         [0.2047, 0.0685]])
 tensor([[0.4356+0.1342j, 0.7506+0.0804j],
         [0.5335+0.2047j, 0.6262+0.0685j]])

如果实部和虚部形状不同则会报错:

 real = torch.rand(1, 2) 
 print(real) 
 imag = torch.rand(0) 
 print(imag) 
 complex_tensor = torch.complex(real, imag) 
 print(complex_tensor)

4、reshape()

reshape可以更改张量形状,它返回与指定数组相同的数据,但具有不同的指定维度大小。

 a = torch.tensor([1, 2, 3, 4, 5, 6, 7, 8])
 print(a) 
 print(a.reshape([4, 2]))

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

如果维度不匹配则会报错

 a = torch.tensor([[1,2,3],[4,5,6]])
 torch.reshape(a, (6))

5、view()

view()用于在二维格式行和列中更改张量。我们必须指定要行数和列数。

 a=torch.FloatTensor([24, 56, 10, 20, 30,                      
                     40, 50, 1, 2, 3, 4, 5])  

 print(a)
 print(a.view(4, 3))

 tensor([24., 56., 10., 20., 30., 40., 50.,  1.,  2.,  3.,  4.,  5.])
 tensor([[24., 56., 10.],
         [20., 30., 40.],
         [50.,  1.,  2.],
         [ 3.,  4.,  5.]])
reshape

view

都是用于改变张量形状的操作,但它们之间有一些关键的区别。

**

view

:**

  • view 是一个对张量进行重新视图的方法。
  • 它返回一个新的张量,该张量与原始张量共享相同的数据,但形状可能发生改变。
  • view 操作要求新形状的元素数量必须与原张量相同,否则会引发错误。
  • view 可以用于改变张量形状,但仅当原始张量的数据在内存中是连续的时候。

**

reshape

:**

  • reshape 函数也用于改变张量形状。
  • view 不同,reshape 返回一个新的张量,而不共享原张量的数据。它总是返回一个新的张量,即使数据在内存中是连续的。
  • reshape 允许在元素数量相同的情况下改变形状,因为它可以自动推断缺失的维度大小。

6、take()

take会根据给定的索引选择张量并返回。输入张量被看作是一维张量。结果的形状与指标的形状相同

 a = torch.tensor([[1,2,3],
                   [3, 4,7],
                   [4,5,6]])
 torch.take(a, torch.tensor([1,4,5]))

 tensor([2, 4, 7])

如果索引超过了张量的长度则会报错

 a = torch.tensor([[1,2,3],
                   [3, 4,7],
                   [4,5,6]])
 torch.take(a, torch.tensor([0,3,6,8,10]))

7、unbind()

unbind可以用来移除一个张量维度。它将返回一个元组,包含给定维度上的所有切片,也就是说会将张量变成一个张量的列表

 a = torch.tensor([[1,2,3],
                   [3, 4,7],
                   [4,5,6]])
 torch.unbind(a)

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

8、 reciprocal()

reciprocal返回一个新的张量与输入元素的倒数。

 torch.reciprocal(torch.tensor([[1.6,2.5],[3,4],[5,6]]))

 tensor([[0.6250, 0.4000],
         [0.3333, 0.2500],
         [0.2000, 0.1667]])

9、t ()

转置是翻转张量轴的过程。它涉及到交换二维张量的行和列,或者更一般地说,交换任何维度张量的轴。

 E = torch.tensor([ [3, 8], [5, 6]])
 F = torch.t(E)
 print(E)
 print(F)
 tensor([[3, 8],
         [5, 6]])
 tensor([[3, 5],
         [8, 6]])

10、cat()

张量运算中的cat是将两个或多个张量沿特定维度连接起来形成一个更大张量的过程。得到的张量有一个新的维度,它是输入张量的原始维度的连接。

 a = torch.tensor([[1, 2], [3, 4]])
 b = torch.tensor([[5, 6]])

 c = torch.cat((a, b), dim=0)
 print(c)

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

https://avoid.overfit.cn/post/3d344b08f8c1454b869ba222079e4ea7

目录
相关文章
|
7月前
|
机器学习/深度学习 PyTorch 算法框架/工具
|
4月前
|
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
|
4月前
|
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
|
4月前
|
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
|
4月前
|
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。
65 0
|
6月前
|
机器学习/深度学习 人工智能 PyTorch
掌握 PyTorch 张量乘法:八个关键函数与应用场景对比解析
PyTorch提供了几种张量乘法的方法,每种方法都是不同的,并且有不同的应用。我们来详细介绍每个方法,并且详细解释这些函数有什么区别:
108 4
掌握 PyTorch 张量乘法:八个关键函数与应用场景对比解析
|
6月前
|
机器学习/深度学习 算法 PyTorch
【深度学习】TensorFlow面试题:什么是TensorFlow?你对张量了解多少?TensorFlow有什么优势?TensorFlow比PyTorch有什么不同?该如何选择?
关于TensorFlow面试题的总结,涵盖了TensorFlow的基本概念、张量的理解、TensorFlow的优势、数据加载方式、算法通用步骤、过拟合解决方法,以及TensorFlow与PyTorch的区别和选择建议。
324 2
|
6月前
|
存储 PyTorch API
Pytorch入门—Tensors张量的学习
Pytorch入门—Tensors张量的学习
47 0
|
8月前
|
算法 PyTorch 算法框架/工具
Pytorch - 张量转换拼接
使用 Tensor.numpy 函数可以将张量转换为 ndarray 数组,但是共享内存,可以使用 copy 函数避免共享。
|
8月前
|
存储 机器学习/深度学习 PyTorch
Pytorch-张量形状操作
PyTorch中,张量形状操作至关重要,如reshape用于改变维度而不变元素,transpose/permute用于维度交换,view改形状需内存连续,squeeze移除单维度,unsqueeze添加维度。这些函数帮助数据适应神经网络层间的转换。例如,reshape能调整数据适配层的输入,transpose用于矩阵转置或多维排列,而squeeze和unsqueeze则用于处理单维度。理解并熟练运用这些工具是深度学习中必要的技能。