N——>BatchSize &&数据维度理解和处理(chun, cat, squeeze, unsqueeze)

数据处理之N------>BatchSize

N------>batch_size

py 复制代码
train_data = TensorDataset(torch.Tensor(x_train).double(), torch.Tensor(y_train).double())
train_loader = DataLoader(train_data, batch_size=args.bs, shuffle=True, drop_last=True)
for batch_idx, (inputs, results) in enumerate(train_data):
	print(inputs.shape, results.shape) 

不过我得说,train_loader局限于第一维,做的事如下代码:

py 复制代码
for i in range(0, num_samples, batch_size):
	batch = data[i:i + batch_size]
	yield batch

维度

  • 分块:iter.chunk(分成几块,dim)
  • 连接:torch.cat( [ tensor1, tensor2 ](放在列表中),dim)
  • 升维1 / 降维1:squeeze(dim), unsqueeze(dim)

64, 32, 1, 541\]维度互换有影响吗?怎么去想这个事 数据本身并没有改变,只是数据在张量中的排列顺序发生了变化,**也就是索引方式变了** 。 例如,如果你将形状为\[5266, 32, 541, 1\]的张量的第3和第4维度交换,你得到的张量仍然包含相同的元素,但它们在张量中的排列方式不同,变成了形状为\[5266, 32, 1, 541\]的张量。**这在某些情况下可能对特定的计算或模型操作更有用。** 既然要求你按照什么样的维度去排列索引,而且你也知道每个数字代表的对应的是什么意思,你就直接按照他说的顺序去改就是了啊! 只要你给的数据的维度能对得上就没有任何问题,最主要的是**首先要搞明白你需要几维的数据** ,**并搞明白每一维的意思** ,要对上,不然就会出现channel对到T上的尴尬问题。 s e q _ l e n seq\\_len seq_len:序列长度 i n p u t _ s i z e input\\_size input_size:序列的个体的维度 举一个例子,你的目的是要跑RNN,用RNNCELL,那么首先外部循环的肯定是seq_len,每次输入 \[ b s , c h a n n e l , i n p u t _ s i z e \] \[bs, channel, input\\_size\] \[bs,channel,input_size\]的数据到model里面。 那么如果如果提供的数据是 \[ 5266 , 32 , 1 , 541 \] , N = 5266 \[5266, 32, 1, 541\],N = 5266 \[5266,32,1,541\],N=5266 s e q _ l e n = 32 , i n p u t _ s i z e = 541 , c h a n n e l = 1 seq\\_len = 32, input\\_size = 541, channel = 1 seq_len=32,input_size=541,channel=1 那么每一批次的维度比如是 \[ 128 , 32 , 1 , 541 \] \[128, 32, 1, 541\] \[128,32,1,541

你的目标也就是得到每次的输入 [ 128 , 1 , 541 ] [128, 1, 541] [128,1,541]

按照第二个维度展开 ,即将第二个维度分成32个块------>pytorch带的chunk函数

用法:iter.chunk(要分的快数量,沿着哪个维度)

py 复制代码
seq.chunk(seq.size(1), dim = 1)#传入的是seq.size(1)即要分成每个为1的

然后得到: [ 128 , 1 , 1 , 541 ] [128, 1, 1, 541] [128,1,1,541]

再使用seq.squeeze(1)

squeeze 函数有一个可选的参数,即 dim,它指定了要挤压的维度。如果指定 dim,则 squeeze

仅删除指定的维度,如果该维度大小为1。如果不指定 dim,则默认情况下会删除所有尺寸为1的维度。

没看懂的深浅拷贝,clone,copy etc.

https://www.jb51.net/article/201724.htm

相关推荐
moonsims5 分钟前
全国产化行业自主无人机智能处理单元-AI飞控+通信一体化模块SkyCore-I
人工智能·无人机
MUTA️10 分钟前
ELMo——Embeddings from Language Models原理速学
人工智能·语言模型·自然语言处理
海豚调度15 分钟前
Linux 基金会报告解读:开源 AI 重塑经济格局,有人失业,有人涨薪!
大数据·人工智能·ai·开源
小龙在山东17 分钟前
Python 包管理工具 uv
windows·python·uv
T__TIII21 分钟前
Dify 插件非正式打包
人工智能
jerwey25 分钟前
大语言模型(LLM)按架构分类
人工智能·语言模型·分类
令狐少侠201136 分钟前
ai之RAG本地知识库--基于OCR和文本解析器的新一代RAG引擎:RAGFlow 认识和源码剖析
人工智能·ai
weixin_3077791338 分钟前
批量OCR的GitHub项目
python·github·ocr
小叮当爱咖啡41 分钟前
Seq2seq+Attention 机器翻译
人工智能·自然语言处理·机器翻译
shadowcz00741 分钟前
奥特曼论人工智能、OpenAI与创业
人工智能·百度