【Pytorch】学习记录分享1——Tensor张量初始化与基本操作

【Pytorch】学习记录分享1------Tensor张量初始化与基本操作

      • [1. 基础资料汇总](#1. 基础资料汇总)
      • [2. Tensor张量初始化与基本操作(numpy对比)](#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](#2.1 tensor 创建的集中基本方式)
        • [2.2 修改tensor/numpy长度与维度](#2.2 修改tensor/numpy长度与维度)
        • [2.3 取 tensor/numpy 元素](#2.3 取 tensor/numpy 元素)
        • [2.4 numpy 对象的基本运算](#2.4 numpy 对象的基本运算)
        • [2.5 tensor 对象的基本运算](#2.5 tensor 对象的基本运算)

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
python 复制代码
import numpy as np
import torch

np_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)
python 复制代码
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
python 复制代码
# 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,dtype=torch.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()
python 复制代码
# 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
python 复制代码
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
python 复制代码
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
python 复制代码
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], dtype=torch.float) / torch.tensor([3, 4], dtype=torch.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)
相关推荐
张较瘦_2 小时前
[论文阅读] 人工智能 + 软件工程 | 需求获取访谈中LLM生成跟进问题研究:来龙去脉与创新突破
论文阅读·人工智能
一 铭2 小时前
AI领域新趋势:从提示(Prompt)工程到上下文(Context)工程
人工智能·语言模型·大模型·llm·prompt
麻雀无能为力6 小时前
CAU数据挖掘实验 表分析数据插件
人工智能·数据挖掘·中国农业大学
时序之心6 小时前
时空数据挖掘五大革新方向详解篇!
人工智能·数据挖掘·论文·时间序列
.30-06Springfield7 小时前
人工智能概念之七:集成学习思想(Bagging、Boosting、Stacking)
人工智能·算法·机器学习·集成学习
说私域8 小时前
基于开源AI智能名片链动2+1模式S2B2C商城小程序的超级文化符号构建路径研究
人工智能·小程序·开源
永洪科技8 小时前
永洪科技荣获商业智能品牌影响力奖,全力打造”AI+决策”引擎
大数据·人工智能·科技·数据分析·数据可视化·bi
shangyingying_18 小时前
关于小波降噪、小波增强、小波去雾的原理区分
人工智能·深度学习·计算机视觉
码荼9 小时前
学习开发之hashmap
java·python·学习·哈希算法·个人开发·小白学开发·不花钱不花时间crud
书玮嘎9 小时前
【WIP】【VLA&VLM——InternVL系列】
人工智能·深度学习