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

简介: 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。

Torch对张量的计算

#pytorch张量
import torch
'''张量定义'''
a=torch.FloatTensor(2,3)#定义一个两行三列的张量
b=torch.FloatTensor([2,3,4,5])#定义一个四行一列的张量,并给每个数字赋值
c=torch.rand(2,3)#定义一个两行三列的张量,并以0~1之间的随机数填充
d=torch.randn(2,3)#定义一个两行三列的张量,并以均值为0,且方差为1的正态分布随机数填充
e=torch.arange(1,20,1)#定义从起始值(参数一),到结束值(参数二),以步长(参数三)为间隔的单列多行张量
f=torch.zeros(2,3)#定义一个两行三列的张量,初始化为0,效果同a
'''张量计算'''
g=torch.abs(d)#返回张量绝对值
g=torch.add(g,d)#两同维度张量值对应相加
g=torch.add(g,10)#张量值全部加10
#另外div为除法,mul为乘法,用法皆同加法
g=torch.clamp(g,-0.1,0.1)#张量裁剪,第二个参数和第三个参数分别为上下边界
g=torch.pow(g,2)#求幂,第二个参数为幂数
'''矩阵乘法'''
a=torch.randn(2,3)
b=torch.randn(3,2)
c=torch.mm(a,b)

Numpy对数组的计算

#numpy
import numpy as np
'''numpy定义'''
a=np.array([2,3,4]) #创造秩为1,内容为2,3,4的数组
b=np.array([(2,3,4), (4,5,6)]) #创造秩为2的数组,也就是二维数组
c=np.array([[2,3,4], [4,5,6]]) #同上,只是写法不一样
d=np.array([[2,3,4], [4,5,6]],dtype=complex) #显式指明数据类型
e=np.zeros((3,4))#创造一个3行4列的矩阵,并初始化为0,数据类型默认为float64,可自定义:dtype=np.int32
f=np.ones((3,4))#创造一个3行4列的矩阵,并初始化为1
g=np.empty((3,4))#创造一个3行4列的矩阵,未初始化,为随机值
h=np.arange(5)#定义从0开始,步长为1的秩为1的5个数的数组
i=np.arange(10,30,5)#定义从起始值(参数一),到结束值(参数二),以步长(参数三)为间隔的秩为1的数组
j=np.linspace(0,2,9)#定义从0到2(包括两者)间的秩为1的9个数的数组
'''numpy计算'''
k=e-f#减法计算,按位相减
l=h**2#平方运算,按位求平方
n=np.sin(l)#三角函数运算,按位求三角函数
m=h<3#比较逻辑运算,按位比较,满足为真,不满足为假
o=b*c#乘法运算,按位相乘
p=np.transpose(c)#矩阵转置
q=b.dot(p)#矩阵相乘
r=h.sum()#数组全体数求和
s=h.min()#取数组中的最小值
t=h.max()#取数组中的最大值
'''numpy索引'''
u=np.arange(10)**3
print(u[2])#索引数组的第二项
print(u[2:5])#索引数组第二到五项
u[0:6:2]=-100#从开始位置到索引为6的元素为止,每隔一个元素将其赋值为-100(第一个参数可以不写,则默认为0)
v=u[::-1]#反转u
'''遍历数组'''
for i in u:
    print(i)
'''用函数创建数组'''
def f(x,y):
    return 10*x+y
w=np.fromfunction(f,(5,4),dtype=int)
print(w[2,3])#二维数组数值索引
print(w[0:5,1])#二维数组0~4行第二个元素索引
print(w[:,1])#二维数组每行第二个元素索引
print(w[1:3,:])#二维数组第2到3行索引
print(w[-1])#二维数组最后一行索引,等价于print(w[-1,:])
print(d.dtype)#获得数据类型

张量和数组的转换

import torch
'''numpy转tensor'''
color = np.array([[[0, 0, 0], [128, 0, 0], [0, 128, 0]],[[0, 0, 0], [128, 0, 0], [0, 128, 0]]])
b = torch.from_numpy(color)
'''将矩阵展开成一维'''
target = b.contiguous() .view(-1)
'''将矩阵展前面的维度展开,保持最后一维'''
target = b.contiguous() .view(-1,3)
'''维度转换'''
outlabimg = b.transpose(0, 1)#第0维和第1维互换
'''相同数值统计'''
a=torch.FloatTensor([[[2,3,0,5],[2,3,0,5]],[[2,3,0,5],[2,3,0,5]]])
b=torch.FloatTensor([[[2,3,4,5],[2,3,0,5]],[[2,3,0,5],[2,3,0,5]]])
equl=(a==b).sum()
print(a.shape)
print(equl)
目录
相关文章
|
2月前
|
PyTorch 算法框架/工具
Pytorch学习笔记(五):nn.AdaptiveAvgPool2d()函数详解
PyTorch中的`nn.AdaptiveAvgPool2d()`函数用于实现自适应平均池化,能够将输入特征图调整到指定的输出尺寸,而不需要手动计算池化核大小和步长。
130 1
Pytorch学习笔记(五):nn.AdaptiveAvgPool2d()函数详解
|
2月前
|
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。
259 2
|
2月前
|
PyTorch 算法框架/工具
Pytorch学习笔记(六):view()和nn.Linear()函数详解
这篇博客文章详细介绍了PyTorch中的`view()`和`nn.Linear()`函数,包括它们的语法格式、参数解释和具体代码示例。`view()`函数用于调整张量的形状,而`nn.Linear()`则作为全连接层,用于固定输出通道数。
94 0
Pytorch学习笔记(六):view()和nn.Linear()函数详解
|
2月前
|
PyTorch 算法框架/工具
Pytorch学习笔记(七):F.softmax()和F.log_softmax函数详解
本文介绍了PyTorch中的F.softmax()和F.log_softmax()函数的语法、参数和使用示例,解释了它们在进行归一化处理时的作用和区别。
445 1
Pytorch学习笔记(七):F.softmax()和F.log_softmax函数详解
|
2月前
|
机器学习/深度学习 PyTorch 算法框架/工具
Pytorch学习笔记(八):nn.ModuleList和nn.Sequential函数详解
PyTorch中的nn.ModuleList和nn.Sequential函数,包括它们的语法格式、参数解释和具体代码示例,展示了如何使用这些函数来构建和管理神经网络模型。
91 1
|
3月前
|
机器学习/深度学习 数据处理 Python
从NumPy到Pandas:轻松转换Python数值库与数据处理利器
从NumPy到Pandas:轻松转换Python数值库与数据处理利器
82 0
|
4月前
|
机器学习/深度学习 数据处理 计算机视觉
NumPy实践宝典:Python高手教你如何轻松玩转数据处理!
【8月更文挑战第22天】NumPy是Python科学计算的核心库,专长于大型数组与矩阵运算,并提供了丰富的数学函数。首先需安装NumPy (`pip install numpy`)。之后可通过创建数组、索引与切片、执行数学与逻辑运算、变换数组形状及类型、计算统计量和进行矩阵运算等操作来实践学习。NumPy的应用范围广泛,从基础的数据处理到图像处理都能胜任,是数据科学领域的必备工具。
63 0
|
28天前
|
存储 数据处理 Python
Python科学计算:NumPy与SciPy的高效数据处理与分析
【10月更文挑战第27天】在科学计算和数据分析领域,Python凭借简洁的语法和强大的库支持广受欢迎。NumPy和SciPy作为Python科学计算的两大基石,提供了高效的数据处理和分析工具。NumPy的核心功能是N维数组对象(ndarray),支持高效的大型数据集操作;SciPy则在此基础上提供了线性代数、信号处理、优化和统计分析等多种科学计算工具。结合使用NumPy和SciPy,可以显著提升数据处理和分析的效率,使Python成为科学计算和数据分析的首选语言。
32 3
|
29天前
|
存储 机器学习/深度学习 算法
Python科学计算:NumPy与SciPy的高效数据处理与分析
【10月更文挑战第26天】NumPy和SciPy是Python科学计算领域的两大核心库。NumPy提供高效的多维数组对象和丰富的数学函数,而SciPy则在此基础上提供了更多高级的科学计算功能,如数值积分、优化和统计等。两者结合使Python在科学计算中具有极高的效率和广泛的应用。
46 2
|
3月前
|
机器学习/深度学习 算法 数据可视化
8种数值变量的特征工程技术:利用Sklearn、Numpy和Python将数值转化为预测模型的有效特征
特征工程是机器学习流程中的关键步骤,通过将原始数据转换为更具意义的特征,增强模型对数据关系的理解能力。本文重点介绍处理数值变量的高级特征工程技术,包括归一化、多项式特征、FunctionTransformer、KBinsDiscretizer、对数变换、PowerTransformer、QuantileTransformer和PCA,旨在提升模型性能。这些技术能够揭示数据中的潜在模式、优化变量表示,并应对数据分布和内在特性带来的挑战,从而提高模型的稳健性和泛化能力。每种技术都有其独特优势,适用于不同类型的数据和问题。通过实验和验证选择最适合的变换方法至关重要。
50 5
8种数值变量的特征工程技术:利用Sklearn、Numpy和Python将数值转化为预测模型的有效特征