入门Pytorch：对Tensor的操作

夏天是冰红茶2023-07-19 21:40

目录

前言

一、创建

list创建

numpy创建

填充创建

初始化

规律变化

指定类型创建

指定数据类型

转换数据类型

二、索引

直接索引

切片

用...表示多个被省略

三、维度变换

view,reshape维度变换

unsqueeze插入维度

squeeze删除维度

repeat复制维度

维度交换

四、广播机制

五、拼接和拆分

拼接

拆分

六、数学运算

四则运算

矩阵乘法

指数,对数运算

限制数据的上下限

逻辑运算

小数点

七、属性统计

基础属性

分维度

范数

总结

前言

在过去的一段时间里，我专注于图像处理和裂缝检测方面的研究。最近这段时间也把裂缝的二维检测做好了，效果也是比较令我满意，在项目的最后阶段，深度学习和PyQt的UI界面制作是需要重点学习的内容，我需要在这较短的时间内去好好学习，拿出成果来。

一、创建

python 复制代码 
import torch
import numpy as np

list创建

python 复制代码 
# list创建
a=torch.tensor([1,2])
b=torch.tensor([[1,2],[3,4]])

numpy创建

python 复制代码 
# numpy创建
c=torch.from_numpy(np.array([1,2]))

填充创建

python 复制代码 
#全1填充
print(torch.ones(2, 3))

#全0填充
print(torch.zeros(2, 3))

#full填充
print(torch.full([2, 3], 7))

#对角矩阵
print(torch.eye(3, 3))

初始化

python 复制代码 
#创建但不初始化
print(torch.empty(2, 3))

#标准正态分布
print(torch.randn(2, 3))

#0-1均匀分布
print(torch.rand(2, 3))

#1-9的整数均匀分布
print(torch.randint(1, 10, [2, 3]))

tensor([[0., 0., 0.],

[0., 0., 0.]])

tensor([[-1.0020, 0.6792, -1.2098],

[-2.6513, -1.4667, -0.0785]])

tensor([[0.8533, 0.4675, 0.9124],

[0.3488, 0.5822, 0.0545]])

tensor([[2, 9, 7],

[8, 6, 3]])

规律变化

python 复制代码 
#自增数列,0到9,步长是1
print(torch.arange(0, 10, 2))

#等差数列,0到10,4个数
print(torch.linspace(0, 10, 4))

tensor([0, 2, 4, 6, 8])

tensor([ 0.0000, 3.3333, 6.6667, 10.0000])

指定类型创建

python 复制代码 
#指定类型的创建
torch.FloatTensor([1, 2]), torch.LongTensor([1, 2])

(tensor([1., 2.]), tensor([1, 2]))

指定数据类型

python 复制代码 
#获取数据类型
torch.randn(2, 3).dtype

转换数据类型

python 复制代码 
#转换数据类型
torch.randn(2, 3).to(torch.float64).dtype

二、索引

创建数据，表示4张图片，3通道，28*28像素

python 复制代码 
import torch
a = torch.randn(4, 3, 28, 28)
print(a.shape)

torch.Size([4, 3, 28, 28])

直接索引

查看第0张图片

python 复制代码 
print(a[0].shape)

torch.Size([3, 28, 28])

查看第0张图片的第0个通道

python 复制代码 
print(a[0, 0].shape)

torch.Size([28, 28])

查看第0张图片的第0个通道的第2行

python 复制代码 
print(a[0, 0, 2].shape)

torch.Size([28])

查看第0张图片的第0个通道的第2行第4列

python 复制代码 
print(a[0, 0, 2, 4].shape)

torch.Size([]) #输出是一个标量值，无形状

切片

切片操作的语法是**start:stop:step** ，其中**start** 表示起始位置，stop 表示终止位置（不包含），**step**表示步长。

python 复制代码 
#查看0-1张图片
print(a[:2].shape)
#查看0-1张图片的0-1通道
print(a[:2, :2].shape)
#查看0-1张图片的所有通道的倒数5-正数24行
print(a[:2, :, -5:25].shape)
#有间隔的索引
print(a[:, :, :, ::2].shape)

torch.Size([2, 3, 28, 28])

torch.Size([2, 2, 28, 28])

torch.Size([2, 3, 2, 28])

torch.Size([4, 3, 28, 14])

用...表示多个被省略

python 复制代码 
#取所有图片的第0-2列
print(a[..., :2].shape)

#取所有图片的第0-2行
print(a[..., :2, :].shape)

#取第2张图片
print(a[2, ...].shape)

torch.Size([4, 3, 28, 2])

torch.Size([4, 3, 2, 28])

torch.Size([3, 28, 28])

三、维度变换

view,reshape维度变换

python 复制代码 
#4张图片,单通道,28*28像素
a = torch.randn(4, 1, 28, 28)
print(a.shape)

#转换为4,784维度,相当于打平了
print(a.reshape(4, 784).shape)

#转换为4,28,28维度,相当于重新展开
print((a.reshape(4, 784)).reshape(4, 28, 28).shape)

#view的用法和reshape不作区分
print(a.view(4, 784).shape)

torch.Size([4, 1, 28, 28])

torch.Size([4, 784])

torch.Size([4, 28, 28])

torch.Size([4, 784])

unsqueeze插入维度

python 复制代码 
#2*2的tensor
a = torch.randn(2, 2)
print(a.shape)

#插入维度在第0维
print(a.unsqueeze(0).shape)

#插入维度在倒数第1维
print(a.unsqueeze(-1).shape)

torch.Size([2, 2])

torch.Size([1, 2, 2])

torch.Size([2, 2, 1])

squeeze删除维度

只能删除为1的维度

python 复制代码 
#1*2*2*1的tensor
a = torch.randn(1, 2, 2, 1)
print(a.shape)

#删除第0维
print(a.squeeze(0).shape)

#删除倒数第1维
print(a.squeeze(-1).shape)

#删除所有为1的维度
print(a.squeeze().shape)

torch.Size([1, 2, 2, 1])

torch.Size([2, 2, 1])

torch.Size([1, 2, 2])

torch.Size([2, 2])

repeat复制维度

python 复制代码 
#分别复制2次和3次
print(torch.randn(2, 2).repeat(2, 3).shape)

torch.Size([4, 6])

维度交换

python 复制代码 
# t转置,只能操作2维tensor
print(torch.randn(1, 2).t().shape)
# transpose维度交换,指定要转换的维度,只能两两交换
print(torch.randn(1, 2, 3).transpose(0, 1).shape)
# permute维度交换,输入维度的顺序
print(torch.rand(1, 2, 3).permute(2, 1, 0).shape)

torch.Size([2, 1])

torch.Size([2, 1, 3])

torch.Size([3, 2, 1])

四、广播机制

python 复制代码 
import torch

a = torch.randn(2, 3)
b = torch.randn(1, 3)
c = torch.randn(1)

print((a + b).shape)
print((a + c).shape)

#手动boradcast
print(b.expand_as(a).shape)
print(c.expand_as(a).shape)

输出均为torch.Size([2, 3])

五、拼接和拆分

拼接

python 复制代码 
import torch

a = torch.rand(4, 32, 8)
b = torch.rand(5, 32, 8)

torch.cat([a, b], dim=0).shape

torch.Size([9, 32, 8])

cat拼接,dim=0是指定要拼接的维度。

python 复制代码 
a = torch.rand(4, 32, 8)
b = torch.rand(4, 32, 8)

torch.stack([a, b], dim=0).shape

torch.Size([2, 4, 32, 8])

stack组合,会创建一个新的维度,用以区分组合后的两个tensor。

拆分

python 复制代码 
a = torch.rand(4, 32, 8)

_1, _2 = a.split(2, dim=0)
print(_1.shape)
print(_2.shape)

_1, _2, _3 = a.split([1, 2, 1], dim=0)
print(_1.shape)
print(_2.shape)
print(_3.shape)

#split拆分，在0维度上拆分，每2个元素1拆

torch.Size([2, 32, 8])

torch.Size([2, 32, 8])

#在第0维（行维）上按照切分尺寸 [1, 2, 1] 进行切分。其中，第一个切分尺寸为1，第二个切分尺寸为2，第三个切分尺寸为1。

torch.Size([1, 32, 8])

torch.Size([2, 32, 8])

torch.Size([1, 32, 8])

python 复制代码 
a = torch.rand(4, 32, 8)

_1, _2 = a.chunk(2, dim=0)
print(_1.shape)
print(_2.shape)

torch.Size([2, 32, 8])

torch.Size([2, 32, 8]) #chunk拆分,在0维度上拆分,拆成2个

六、数学运算

python 复制代码 
import torch

#测试数据
a = torch.FloatTensor([[0, 1, 2], [3, 4, 5]])
b = torch.FloatTensor([0, 1, 2])

(tensor([[0., 1., 2.],

[3., 4., 5.]]),

tensor([0., 1., 2.]))

四则运算

python 复制代码 
print(a + b)
print(a - b)
print(a * b)
print(a / b)

矩阵乘法

python 复制代码 
print(a @ b)
print(a.matmul(b))

计算过程0 * 0 + 1 * 1 + 2 * 2, 0 * 3 + 1 * 4 + 2 * 5

指数,对数运算

python 复制代码 
#求指数
print(a**2)
#开根号
print(a**0.5)
#求e的n次方
print(a.exp())
#以e为底,求对数
print(a.log())
#以2为底,求对数
print(a.log2())

限制数据的上下限

python 复制代码 
a.clamp(2, 4)

tensor([[2., 2., 2.],

[3., 4., 4.]])

逻辑运算

python 复制代码 
#大于
print(a > b)
#小于
print(a < b)
#等于
print(a == b)
#不等于
print(a != b)

小数点

python 复制代码 
#四舍五入
c = torch.FloatTensor([3.14])
#向下取整
print(c.floor())
#向上取整
print(c.ceil())
#四舍五入
print(c.round())

tensor([3.])

tensor([4.])

tensor([3.])

七、属性统计

python 复制代码 
import torch

#测试数据
a = torch.FloatTensor([[0., 1., 2.], [3., 4., 5.]])

tensor([[0., 1., 2.],

[3., 4., 5.]])

基础属性

python 复制代码 
#求最小
print(a.min())
#求最大
print(a.max())
#求平均
print(a.mean())
#求积
print(a.prod())
#求和
print(a.sum())
#求最大值下标
print(a.argmax())
#求最小值下标
print(a.argmin())

tensor(0.)

tensor(5.)

tensor(2.5000)

tensor(0.)

tensor(15.)

tensor(5)

tensor(0)

分维度

python 复制代码 
#分维度求最大
a.max(dim=0)
#分维度求最大值下标
a.argmax(dim=0)

#求前2个最小值
a.topk(2, dim=1, largest=False)
#求第2个小的值
a.kthvalue(2, dim=1)

torch.return_types.max(

values=tensor([3., 4., 5.]),

indices=tensor([1, 1, 1]))

tensor([1, 1, 1])

torch.return_types.topk( values=tensor([[0., 1.], [3., 4.]]), indices=tensor([[0, 1], [0, 1]]))

torch.return_types.kthvalue( values=tensor([1., 4.]), indices=tensor([1, 1]))

范数

python 复制代码 
#求1范数
print(a.norm(1))
print(a.norm(1, dim=0))

#求2范数
print(a.norm(2))
print(a.norm(2, dim=0))

tensor(15.)

tensor([3., 5., 7.])

tensor(7.4162)

tensor([3.0000, 4.1231, 5.3852])

总结

这篇博客的主要的目的是为了方便我个人查找api，在不断的查询中熟悉pytorch的基础操作。

相关推荐
刀客1231 分钟前
python3+TensorFlow 2.x（六）自编码器
人工智能·python·tensorflow
微刻时光2 分钟前
影刀RPA中级证书-Excel进阶-开票清单
经验分享·python·低代码·rpa·影刀·影刀证书·影刀实战
大模型之路17 分钟前
Grok-3：人工智能领域的新突破
人工智能·llm·grok-3
一朵小花18 分钟前
Python中with的用法
python
闻道且行之37 分钟前
LLaMA-Factory|微调大语言模型初探索(4)，64G显存微调13b模型
人工智能·语言模型·llama·qlora·fsdp
m0_7482323942 分钟前
基于OpenCV和Python的人脸识别系统_django
python·opencv·django
喝不完一杯咖啡43 分钟前
【AI时代】可视化训练模型工具LLaMA-Factory安装与使用
人工智能·llm·sft·llama·llama-factory
dme.1 小时前
Python爬虫selenium验证-中文识别点选+图片验证码案例
爬虫·python
东方-教育技术博主1 小时前
wps中zotero插件消失，解决每次都需要重新开问题
python
huaqianzkh1 小时前
理解构件的3种分类方法
人工智能·分类·数据挖掘
热门推荐
01太炸裂了！清华大学deepseek从入门到精通使用手册又出第三版了，《普通人如何抓住DeepSeek红利》（无套路，直接下载）02DeepSeek各版本说明与优缺点分析03如何在WPS和Word/Excel中直接使用DeepSeek功能04本地部署DeepSeek教程（Mac版本）05本地化部署AI知识库：基于Ollama+DeepSeek+AnythingLLM保姆级教程06DeepSeek本地部署详细指南07DeepSeek R1本地化部署 Ollama + Chatbox 打造最强 AI 工具08Page Assist - 本地Deepseek模型 Web UI 的安装和使用09DeepSeek r1本地安装全指南10本地部署DeepSeek后的调用与删除全攻略