Pytorch张量

在conda的环境中安装Jupyter及其他软件包
Pytorch 建立在张量(tensor)之上,Pytorch张量是一个 n 维数组,类似于 NumPy 数组。专门针对GPU设计,可以运行在GPU上以加快计算效率。换句话说,Pytorch张量是可以运行在GPU上的多维数据。

目录

基础语法

定义张量数据类型

默认数据类型

指定数据类型

改变张量数据类型

张量与Numpy数组间的转换

[将张量转换为 Numpy 数组](#将张量转换为 Numpy 数组)

[将 Numppy 数组转换为张量](#将 Numppy 数组转换为张量)

在设备间移动张量

默认在CPU上定义张量

定义CUDA设备

将张量移动到CUDA设备

将张量移动到CPU

在任意设备上定义张量


基础语法

Pytorch张量 Numpy数组
torch.ones(.) numpy.ones(.) 创建一个一数组
torch.zeros(.) numpy.zeros(.) 创建一个零数组
torch.rand(.) numpy.random.rand(.) 创建随机数组
torch.tensor(.) numpy.array(.) 从给定值创建数组
x.shape or x.size() x.shape 获取数组形状

定义张量数据类型

默认数据类型

默认张量数据类型为 torch.float32

import torch
x = torch.ones(2, 2)
print(x)
print(x.dtype)

指定数据类型

x = torch.ones(2, 2, dtype=torch.int8)
print(x)
print(x.dtype)

改变张量数据类型

先定义一个张量,打印其数据类型

x=torch.ones(1)
print(x.dtype)

通过".type()"命令改变数据类型

x=x.type(torch.torch.uint8)
print(x.dtype)

可以看到数据类型由torch.float32改变为了torch.uint8

张量与Numpy数组间的转换

将张量转换为 Numpy 数组

定义一个随机张量

x=torch.rand(2,2)
print(x)
print(x.dtype)

通过".numpy()"命令转换为numpy数组

y=x.numpy()
print(y)
print(y.dtype)

将 Numppy 数组转换为张量

定义一个numpy数组

import numpy as np
x=np.zeros((2,2),dtype=np.float32)
print(x)
print(x.dtype)

用".from_numpy()"命令转换为张量

y=torch.from_numpy(x)
print(y)
print(y.dtype)

在设备间移动张量

一般情况下,Pytorch 张量存储在 CPU 上,张量运行在 GPU上 以加快计算速率,这是张量的主要优势。为了有效利用这个优势,需要将张量移动到 CUDA 设备,可以使用 .to 方法将张量移动到相应设备上。

默认在CPU上定义张量

使用".tensor()"命令,张量一般默认定义在CPU上

x=torch.tensor([1, 1.5])
print(x)
print(x.device)

定义CUDA设备

if torch.cuda.is_available():
    device=torch.device("cuda:0")
torch.cuda.current_device()

将张量移动到CUDA设备

x = x.to(device)
print(x)
print(x.device)

将张量移动到CPU

device = torch.device("cpu")
x = x.to(device)
print(x)
print(x.device)

在任意设备上定义张量

device = torch.device("cuda:0")
x = torch.ones(2,2, device=device)
print(x)
相关推荐
其实吧339 分钟前
基于Matlab的图像融合研究设计
人工智能·计算机视觉·matlab
丕羽41 分钟前
【Pytorch】基本语法
人工智能·pytorch·python
ctrey_41 分钟前
2024-11-1 学习人工智能的Day20 openCV(2)
人工智能·opencv·学习
bryant_meng1 小时前
【python】Distribution
开发语言·python·分布函数·常用分布
SongYuLong的博客1 小时前
Air780E基于LuatOS编程开发
人工智能
Jina AI1 小时前
RAG 系统的分块难题:小型语言模型如何找到最佳断点?
人工智能·语言模型·自然语言处理
-派神-1 小时前
大语言模型(LLM)量化基础知识(一)
人工智能·语言模型·自然语言处理
johnny_hhh1 小时前
AI大模型重塑软件开发流程:定义、应用场景、优势、挑战及未来展望
人工智能
Elastic 中国社区官方博客1 小时前
释放专利力量:Patently 如何利用向量搜索和 NLP 简化协作
大数据·数据库·人工智能·elasticsearch·搜索引擎·自然语言处理
力姆泰克1 小时前
看电动缸是如何提高农机的自动化水平
大数据·运维·服务器·数据库·人工智能·自动化·1024程序员节