Pytorch入门—Tensors张量的学习

Tensors张量的学习

import torch
import numpy as np


Initializing a Tensor 初始化张量

Directly from data 直接从数据中初始化

data = [[1, 2],[3, 4]]
x_data = torch.tensor(data)


From a NumPy array 从NumPy数组初始化

np_array = np.array(data)
x_np = torch.from_numpy(np_array)


From another tensor 从另一个tensor初始化

x_ones = torch.ones_like(x_data) # retains the properties of x_data
print(f"Ones Tensor: \n {x_ones} \n")

x_rand = torch.rand_like(x_data, dtype=torch.float) # overrides the datatype of x_data
print(f"Random Tensor: \n {x_rand} \n")


With random or constant values

shape 是张量维度的元组。在下面的函数中，它确定输出张量的维数。

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}")


Attributes of a Tensor 张量的属性

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}")


Standard numpy-like indexing and slicing

tensor = torch.ones(4, 4)
print(f"First row: {tensor[0]}")
print(f"First column: {tensor[:, 0]}")
print(f"Last column: {tensor[..., -1]}")
tensor[:,1] = 0
print(tensor)


Joining tensors 连接张量

t1 = torch.cat([tensor, tensor, tensor], dim=1)
print(t1)


Arithmetic operations 算术运算

# This computes the matrix multiplication between two tensors. y1, y2, y3 will have the same value
# tensor.T returns the transpose of a tensor
y1 = tensor @ tensor.T
y2 = tensor.matmul(tensor.T)

y3 = torch.rand_like(y1)
torch.matmul(tensor, tensor.T, out=y3)

# This computes the element-wise product. z1, z2, z3 will have the same value
z1 = tensor * tensor
z2 = tensor.mul(tensor)

z3 = torch.rand_like(tensor)
torch.mul(tensor, tensor, out=z3)


1. 矩阵乘法：

y1 = tensor @ tensor.Ty2 = tensor.matmul(tensor.T) 这两行代码都在进行矩阵乘法。@操作符和matmul函数都可以用于矩阵乘法。tensor.T返回tensor的转置。

y3 = torch.rand_like(y1) 创建了一个与y1形状相同，元素为随机数的新tensor。

torch.matmul(tensor, tensor.T, out=y3) 这行代码也在进行矩阵乘法，但是结果被直接写入了y3，而不是创建新的tensor。

2. 元素级乘法：

z1 = tensor * tensorz2 = tensor.mul(tensor) 这两行代码都在进行元素级乘法。*操作符和mul函数都可以用于元素级乘法。

z3 = torch.rand_like(tensor) 创建了一个与tensor形状相同，元素为随机数的新tensor。

torch.mul(tensor, tensor, out=z3) 这行代码也在进行元素级乘法，但是结果被直接写入了z3，而不是创建新的tensor。

1. 矩阵乘法：也被称为点积，是一种二元运算，将两个矩阵相乘以产生第三个矩阵。假设我们有两个矩阵A和B，A的形状是(m, n)，B的形状是(n, p)，那么我们可以进行矩阵乘法得到一个新的矩阵C，其形状是(m, p)。C中的每个元素是通过将A的行向量和B的列向量对应元素相乘然后求和得到的。

Single-element tensors

agg = tensor.sum()
agg_item = agg.item()
print(agg_item, type(agg_item))


In-place operations

print(f"{tensor} \n")
print(tensor)


NOTE 注意

Bridge with NumPy

CPU和NumPy数组上的张量可以共享它们的底层内存位置，改变一个就会改变另一个。

张量到NumPy数组

t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")


t.add_(1)
print(f"t: {t}")
print(f"n: {n}")


NumPy数组到张量

n = np.ones(5)
t = torch.from_numpy(n)


NumPy数组中的变化反映在张量中。

np.add(n, 1, out=n)
print(f"t: {t}")
print(f"n: {n}")


Notebook来源：

Tensors - PyTorch Tuesday 2.3.0+ cu 121文档 --- Tensors — PyTorch Tutorials 2.3.0+cu121 documentation

posted @ 2024-05-07 11:10  mingupupup  阅读(357)  评论(0编辑  收藏  举报