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
威联通网络存储5 小时前
某高端显示面板制造企业：基于威联通 TS-h2490FU 的 AOI 检测数据治理实践
python·制造
小程故事多_808 小时前
OpenClaw工具引擎架构全解析，AI Agent的“双手”如何落地实操
人工智能·架构·aigc·ai编程·openclaw
qq_452396238 小时前
【AI 架构师】第十篇：Agent 工业化部署 —— 从 FastAPI 到云端全链路监控
网络·人工智能·ai·fastapi
前端摸鱼匠8 小时前
【AI大模型春招面试题11】什么是模型的“涌现能力”（Emergent Ability）？出现条件是什么？
人工智能·算法·ai·自然语言处理·面试·职场和发展
新缸中之脑8 小时前
如何合法地逆向SynthID
人工智能
FreakStudio8 小时前
不用装软件！这款MicroPython浏览器 IDE :让你在手机上也能调试树莓派 Pico
python·单片机·嵌入式·电子diy·tinyml
剑穗挂着新流苏3129 小时前
115_PyTorch 实战：从零搭建 CIFAR-10 完整训练与测试流水线
人工智能·pytorch·深度学习·神经网络
Veggie269 小时前
【Java深度学习】PyTorch On Java 系列课程 第八章 17 ：模型评估【AI Infra 3.0】[PyTorch Java 硕士研一课程]
java·人工智能·深度学习
m0_743470379 小时前
使用Python进行PDF文件的处理与操作
jvm·数据库·python
链上杯子9 小时前
《2026 LangChain零基础入门：用AI应用框架快速搭建智能助手》第8课（完结篇）：小项目实战 + 部署 —— 构建网页版个人知识库 AI 助手
人工智能·langchain
热门推荐
01GitHub 镜像站点02Qwen3.5 开源全解析：从 0.8B 到 397B，代际升级 + 全场景选型指南03围棋-html版本04班级宠物园部署指南05小黑课堂计算机二级WPSoffice题库软件下载安装教程（2026年3月最新版）06UV安装并设置国内源07OpenClaw 使用和管理 MCP 完全指南08“wsl --install -d Ubuntu-22.04”下载慢，中国地区离线安装 Ubuntu 22.04 WSL方法（亲测2025年5月6日）09机器学习深度学习二——GAN网络10OpenClaw Control UI安全上下文访问配置