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
咩?1 分钟前
SEABORN库函数（第十八节课内容总结）
开发语言·python·matplotlib·seaborn
万粉变现经纪人2 分钟前
如何解决pip安装报错ModuleNotFoundError: No module named ‘transformers’问题
人工智能·python·beautifulsoup·pandas·scikit-learn·pip·ipython
cver12310 分钟前
塑料可回收物检测数据集-10,000 张图片 智能垃圾分类系统 环保回收自动化 智慧城市环卫管理 企业环保合规检测 教育环保宣传 供应链包装优化
人工智能·安全·计算机视觉·目标跟踪·分类·自动化·智慧城市
jz_ddk17 分钟前
[科普] AI加速器架构全景图：从GPU到光计算的算力革命
人工智能·学习·算法·架构
浊酒南街22 分钟前
Pytorch基础入门1
pytorch·python
idaretobe23 分钟前
宝龙地产债务化解解决方案二：基于资产代币化与轻资产转型的战略重构
人工智能·web3·去中心化·区块链·智能合约·信任链
摆烂工程师31 分钟前
教你如何从GPT-5 切换到 GPT-4o。Plus 用户切换 GPT-4o 旧模型的入口在哪里？
人工智能·chatgpt·程序员
Lee_Serena40 分钟前
bert学习
人工智能·深度学习·自然语言处理·bert·transformer
仪器科学与传感技术博士1 小时前
Matplotlib库：Python数据可视化的基石，发现它的美
开发语言·人工智能·python·算法·信息可视化·matplotlib·图表可视化
小王爱学人工智能1 小时前
svm的一些应用
人工智能·机器学习·支持向量机
热门推荐
01全球最强模型Grok4，国内已可免费使用！（附教程）02UV安装并设置国内源03Qwen3-Coder 快速上手教程 | Qwen Code + Claude Code042025年华数杯C题超详细解题思路05🚀Cursor CLI+GPT-5保姆级教程+编程能力测评！Cursor CLI零成本免费使用GPT-5！Claude Code的劲敌来了！从安装到实战演示06KGG转MP3工具|非KGM文件|解密音频07OpenAI重返开源！GPT-OSS本地部署完全指南08ChatGPT 5发布日期揭秘：2025年8月上线，多模态推理能力全面升级09Cursor 终端“卡死/无响应”问题的解法10如何在 Cursor 中继续使用 Claude