网站建设的合同条款,海淀高端企业网站建设,怎么免费做网站,做母婴产品的网站1. 基础资料汇总
资料汇总 pytroch中文版本教程 PyTorch入门教程 B站强推#xff01;2023公认最通俗易懂的【PyTorch】教程#xff0c;200集付费课程#xff08;附代码#xff09;人工智能_机器 视频 1.PyTorch简介 2.PyTorch环境搭建 basic: python numpy pandas pytroch…1. 基础资料汇总
资料汇总 pytroch中文版本教程 PyTorch入门教程 B站强推2023公认最通俗易懂的【PyTorch】教程200集付费课程附代码人工智能_机器 视频 1.PyTorch简介 2.PyTorch环境搭建 basic: python numpy pandas pytroch theory: study mlp cnn transform rnn
model: AlexNet VGG ResNet Yolo SSD
2. Tensor张量初始化与基本操作numpy对比
2.1 tensor 创建的集中基本方式
import numpy as np
import torchnp_a np.array([1,2,3]) #ndarrays
tensor_a torch.tensor([1,2,3]) #tensor
# tensor function and computer
tensor_b torch.empty(5,3)
tensor_c torch.randn(5,3) #用于确定模型的输入维度做数据头尾
tensor_d torch.zeros(5,3) #用于 x-y 训练的一个映射 神经网络y truth_label one_hot表示
tensor_e torch.zeros(5,3,dtype torch.long) # dtype 数据格式print(np_a,np_a)
print(tensor_a, tensor_a)
print(tensor_b, tensor_b)
print(tensor_c, tensor_c)
print(tensor_d, tensor_d)
print(tensor_e, tensor_e)import torch#通过数据直接创建张量
data [[1, 2, 3], [4, 5, 6]]
tensor1 torch.tensor(data)
print(tensor1,tensor1)#使用特定形状的全零张量
import torch
tensor2 torch.zeros(2, 3)
print(tensor2,tensor2)#使用特定形状的全一张量
import torch
tensor3 torch.ones(2, 3)
print(tensor3,tensor3)#利用随机数创建张量
import torch
tensor4 torch.rand(2, 3)
print(tensor4,tensor4) 2.2 修改tensor/numpy长度与维度
# 基于已经存在的 tensor进行操作
x torch.tensor([1,2,3])
x.new_ones(5,3) # 修改 x 的维度tensor_f torch.randn_like(x,dtypetorch.float) # 修改x 的类型与维度
print(tensor_f , tensor_f)# 维度查看 np shape | tensor size 层到另外一个层 矩阵相乘
np.array([1, 2, 3]).shape
torch.tensor([1,2,3]).size()# 更改维度 np reshape
y.size()y.view(15)y.view(15,1)y.view(-1,5) # -1 表示自动计算根据总维度/5得到2.3 取 tensor/numpy 元素
y np.array([[1,2,3],[4,5,6]])np.array([[1,2,3],[4,5,6]])[0]
np.array([[1,2,3],[4,5,6]])[0,:] #:表示不指定行默认为该行所有np.array([[1,2,3],[4,5,6]])[:,0]
print(y[:,0]) # 取第一列
print(y[0,:]) # 取第一行y[3,0].item() # 常用 loss 反向传导 日志 打印查看 loss 是否减少 查看具体数值2.4 numpy 对象的基本运算
import numpy as np# 加法
result_array_add np.array([1, 2]) np.array([3, 4])# 减法
result_array_sub np.array([1, 2]) - np.array([3, 4])# 乘法
result_array_mul np.array([1, 2]) * np.array([3, 4])# 除法
result_array_div np.array([1, 2]) / np.array([3, 4])# 数乘
result_array_scalar_mul 2 * np.array([3, 4])# 内积
result_array_dot np.dot(np.array([1, 2]), np.array([3, 4]))# 外积
result_array_outer np.outer(np.array([1, 2]), np.array([3, 4]))print(add , result_array_add)
print(sub , result_array_sub)
print(mul , result_array_mul)
print(div , result_array_div)
print(scalar_mul , result_array_scalar_mul)
print(dot , result_array_dot)
print(outer , result_array_outer) 2.5 tensor 对象的基本运算
import torch# 加法
result_tensor_add torch.tensor([1, 2]) torch.tensor([3, 4])# 减法
result_tensor_sub torch.tensor([1, 2]) - torch.tensor([3, 4])# 乘法
result_tensor_mul torch.tensor([1, 2]) * torch.tensor([3, 4])# 除法
result_tensor_div torch.tensor([1, 2], dtypetorch.float) / torch.tensor([3, 4], dtypetorch.float)# 数乘
result_tensor_scalar_mul 2 * torch.tensor([3, 4])# 内积
result_tensor_dot torch.dot(torch.tensor([1, 2]), torch.tensor([3, 4]))# 外积
result_tensor_outer torch.ger(torch.tensor([1, 2]), torch.tensor([3, 4]))print(add , result_tensor_add)
print(sub , result_tensor_sub)
print(mul , result_tensor_mul)
print(div , result_tensor_div)
print(scalar_mul , result_tensor_scalar_mul)
print(dot , result_tensor_dot)
print(outer , result_tensor_outer)
