定义Tensor
下面是一个常见的tensor，包含了里面的数值，属性，以及存储位置
tensor([[0.3565，0.1826，0.6719], [0.6695，0.5364，0.7057]]，dtype=torch.float32,device='cuda:0')
Tensor的属性
Tensor属性描述了它们的形状、数据类型和存储它们的设备（CPU 或 GPU）
import torch 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])
Datatype of tensor: torch.float32
Device tensor is stored on: cpu
Tensor存储的数值
Tensor 可以用多种方法进行初始化。
直接传数据
Tensor可以直接从数据进行创建，数据类型会自动适应。
import torch data =[[1,2],[3,4]] x_data = torch.tensor(data) print(x_data)
tensor([[1,2],
[3，4]])
使用Numpy数据
可以通过Numpy矩阵中进行创建
import torch import numpy as np np_array = np. array ([[1,2], [3,4]]) x_np = torch.from_numpy ( np_array) print(x_np)
利用已有tensor
根据已有的数据形式（形状，数据类型），创建出新的tensor
data = [[1，2],[3，4]] x_data = torch.tensor(data) x_ones = torch.ones_like(x_data) print(f"ones Tensor: \n {x_ones} \n") x_rand = torch.rand_like(x_data，dtype=torch.float) print(f"Random Tensor: \n {x_rand} \n")
Tensor存储的位置
Tensor可以保存在GPU中，或者保存在CPU中，在二者中可以进行切换
- 在
GPU中进行运算（前向传播、反向传播） - 在
CPU中进行数据读取（从内存读取数据）与写入（保存到硬盘中）
CPU->GPU
import torch shape = (2, 3, ) rand_tensor = torch.rand( shape) print(rand_tensor) if torch.cuda.is_available( ) : rand_tensor = rand_tensor.cuda() print(rand_tensor)
输出：
tensor([[e.3565，0.1826，0.6719], [e.6695，0.5364，0.7057]]) tensor([[e.3565，0.1826，0.6719], [e.6695，0.5364，0.7057]],device= 'cuda:e ')
GPU->CPU
shape = (2, 3,) rand_tensor = torch.rand( shape) print(rand_tensor) if torch.cuda.is_available( ): rand_tensor = rand_tensor.cuda() print( rand_tensor) cpu_tensor = rand _tensor.cpu() print(cpu_tensor)
使用to()自动进行切换张量存储位置：
这个方法非常灵活，可以自动处理类型转换和设备迁移。
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') x_cpu = torch.tensor([[1., 2.], [3., 4.]]) x_gpu = x_cpu.to(device)
数据的运算
这些操作中的每一个都可以在GPU上运行（通常比在CPU上运行的速度更快）。
tensor = torch.tensor([[1,2]， [ 3,4]]) result_1 = tensor @ tensor print( result_1) print("矩阵乘法，result_1 = \n", result_1) result_2 = tensor *tensor print("元素乘法，result_2 = \n", result_2) result_3 = tensor + tensor print("元素加法，result_3 = \n" , result_3) agg = tensor.sum( ) agg_item = agg.item()#使用item()获取里面的值 print("求和，agg_item = " , agg_item，type( agg_item) )
在PyTorch中，当你想要从一个标量张量（即形状为(1,)或者空的张量）中提取出Python的原生数值（例如整数、浮点数）时，可以使用.item()方法。这个方法会返回张量中的数据，将其转换为Python的基本数据类型。
import torch tensor_with_one_value = torch.tensor([3.5]) value = tensor_with_one_value.item() print(value) # 输出: 3.5
Tensor的拼接
将两个或者多个tensor进行拼接（concat），使用 torch.cat对tensor沿着一个特定的维度进行拼接。
tensor_1 = torch.tensor([[1,2,3,4]]) tensor_2 = torch.tensor([[5,6,7,8]]) print(torch.cat([tensor_1,tensor_2],dim=0)) print(torch.cat([tensor_1,tensor_2],dim=1))
我们平时的张量有两个维度↓和→：
↓就是0维度，→就是1维度。
tensor([[1，2，3，4]， [5，6，7，8]]) tensor([[1，2，3,4,5, 6，7，8]])
数据的转换
Numpy转Tensor
import torch import numpy as np n=np.ones ( 5) t = torch.from_numpy(n) [1. 1.1.1. 1.] tensor([1., 1., 1., 1., 1.],dtype=torch.float64)
Tensor转Numpy
t = torch. ones ( 5) n= t.numpy ()
图片转Tensor
from PIL import Image from torchvision import transforms image_path = r'image.png' image = Image.open(image_path) transform = transforms.ToTensor() tensor_image = transform( image) print(type(tensor_image) )
Tensor转图片
import torch from torchvision import transforms tensor_image = torch.randn( ( 3,224,224)) transformed_image = transforms.ToPILImage( )(tensor_image) save_path = r "form_tensor .jpg' transformed_image.save( save_path)
transforms模块是torchvision库中的一个重要组成部分，它提供了一系列预定义的图像转换方法，用于对图像数据进行各种预处理，如裁剪、缩放、旋转、归一化等，以便于输入深度学习模型进行训练或测试。
比如ToTensor：将PIL Image或numpy.ndarray转换为torch.FloatTensor，范围从[0, 255]变为[0.0, 1.0]。
比如Normalize：对图像像素值进行归一化处理，常用于使数据分布更加一致，加速模型收敛。
transform = transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
PyTorch处理图片案例
模拟从硬盘读取一张图片，使用pytorch在显卡上进行运算，随后把运算结果保存到硬盘
import torch from torchvision import transforms from PIL import Image image_path = r"image.png" save_path = r"result.png" image = Image.open( image_path) transform = transforms. ToTensor() tensor_image = transform( image) print(tensor_image) if torch.cuda.is_available( ) : tensor_image = tensor_image.to( ' cuda ') tensor_image += 0.1 tensor_image = tensor_image.to( ' cpu ') transformed_image = transforms.ToPILImage()(tensor_image) transformed_image.save( save_path)
