万网网站建设方案书,营销型网站郭老师案例分享,在哪里学广告设计培训,校园局域网设计方案04数据操作
import torch(1)张量表示一个数据组成的数组#xff0c;这个数组可能有多个维度。
xtorch.arange(12)
xtensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])(2)通过shape来访问张量的形状和张量中元素的总数
x.shapetorch.Size([12])(3)number of elements表…04数据操作
import torch(1)张量表示一个数据组成的数组这个数组可能有多个维度。
xtorch.arange(12)
xtensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])(2)通过shape来访问张量的形状和张量中元素的总数
x.shapetorch.Size([12])(3)number of elements表示内存的大小
x.numel()12(4)要改变一个张量的形状而不改变元素数量和元素值我们要调用reshape函数
xx.reshape(3,4)
xtensor([[ 0, 1, 2, 3],[ 4, 5, 6, 7],[ 8, 9, 10, 11]])(5)使用全0、全1、其他常量或者从特定分布中随机采样的数字
torch.zeros((2,3,4))tensor([[[0., 0., 0., 0.],[0., 0., 0., 0.],[0., 0., 0., 0.]],[[0., 0., 0., 0.],[0., 0., 0., 0.],[0., 0., 0., 0.]]])torch.ones((2,3,4))tensor([[[1., 1., 1., 1.],[1., 1., 1., 1.],[1., 1., 1., 1.]],[[1., 1., 1., 1.],[1., 1., 1., 1.],[1., 1., 1., 1.]]])(6)通过提供包含数值的Python列表或者嵌套列表来为所需张量中的每个元素赋予确定值
torch.tensor([[2,1,4,3],[1,2,3,4],[4,3,2,1]])tensor([[2, 1, 4, 3],[1, 2, 3, 4],[4, 3, 2, 1]])7创建元素进行相应的运算
xtorch.tensor([1.0,2,4,8])
ytorch.tensor([2,2,2,2])
xy,x-y,x*y,x/y,x**y(tensor([ 3., 4., 6., 10.]),tensor([-1., 0., 2., 6.]),tensor([ 2., 4., 8., 16.]),tensor([0.5000, 1.0000, 2.0000, 4.0000]),tensor([ 1., 4., 16., 64.]))torch.exp(x) #指数运算tensor([2.7183e00, 7.3891e00, 5.4598e01, 2.9810e03])8我们这里把多个张量连结在一起
Xtorch.arange(12,dtypetorch.float32).reshape((3,4))
Ytorch.tensor([[2.0,1,4,3],[1,2,3,4],[4,3,2,1]])
torch.cat((X,Y),dim0),torch.cat((X,Y),dim1) #dim0表示按行连接dim1表示按列连接(tensor([[ 0., 1., 2., 3.],[ 4., 5., 6., 7.],[ 8., 9., 10., 11.],[ 2., 1., 4., 3.],[ 1., 2., 3., 4.],[ 4., 3., 2., 1.]]),tensor([[ 0., 1., 2., 3., 2., 1., 4., 3.],[ 4., 5., 6., 7., 1., 2., 3., 4.],[ 8., 9., 10., 11., 4., 3., 2., 1.]]))9通过逻辑运算符构建二元张量
XYtensor([[False, True, False, True],[False, False, False, False],[False, False, False, False]])对只有两种所有元素求和会产生一个只有一个元素的张量
X.sum()tensor(66.)(10)即使形状不同我们可以调用广播机制来执行按元素操作
atorch.arange(3).reshape((3,1))
btorch.arange(2).reshape((1,2))
a,b(tensor([[0],[1],[2]]),tensor([[0, 1]]))a b #这里广播机制将a变成三行两列的部分第一列加0第二列加1tensor([[0, 1],[1, 2],[2, 3]])(11)选用元素其中-1用于选用最后一个元素[1:3]用于选用第二个和第三个元素
X[-1],X[1:3](tensor([ 8., 9., 10., 11.]),tensor([[ 4., 5., 6., 7.],[ 8., 9., 10., 11.]]))(12)索引元素进行修改
X[1,2]9
Xtensor([[ 0., 1., 2., 3.],[ 4., 5., 9., 7.],[ 8., 9., 10., 11.]])(13)对多个元素进行相应的赋值
X[0:2,:]12
Xtensor([[12., 12., 12., 12.],[12., 12., 12., 12.],[ 8., 9., 10., 11.]])14运行一些操作可能会导致为新结果分配内存
beforeid(Y)
YYX
id(Y)beforeFalse#执行原地操作
Ztorch.zeros_like(Y)#类型一样但全0
print(id(Z):,id(Z))
Z[:]XY
print(id(Z):,id(Z))id(Z): 2415349231888
id(Z): 2415349231888#在后续计算中没有重复使用X可以减少操作的内存开销
beforeid(X)
XY #or X[:]XY
id(X)beforeTrue15转换为NUMPY张量
AX.numpy()
Btorch.tensor(A)
type(A),type(B)(numpy.ndarray, torch.Tensor)将大小为1的张量转换为Python标量
atorch.tensor([3.5])
a,a.item(),float(a),int(a)(tensor([3.5000]), 3.5, 3.5, 3)
