tensor笔记3---size()

最新推荐文章于 2025-05-08 22:42:47 发布
原创 最新推荐文章于 2025-05-08 22:42:47 发布 · 718 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#pytorch #机器学习

本文演示了如何使用PyTorch创建二维张量，并通过实例展示了如何获取张量的大小，包括整体尺寸以及特定维度的大小。这对于理解数据结构和进行深度学习模型的输入输出配置至关重要。

代码： 

a = torch.tensor([[1, 2, 3],
                  [4, 5, 6]])
print(a.size())
print(a.size(0))
print(a.size(1))

输出：

torch.Size([2, 3])
2
3

 

 

FuNz_
关注
【PyTorch】获取Tensor大小，size与shape的区别
算法与编程之美
08-20 7318
Tensor是PyTorch的重要概念之一，获取Tensor的大小的方法主要有两种，其一是size，其二是shape，那么两种方法的区别是什么呢？
关于siazeof(a)、strlen(a)、a.length()、a.size()
dujuancao11的博客
03-15 4228
关于siazeof(a)、strlen(a)、a.length()、a.size() **sizeof()**返回一个对象或者类型所占的内存字节数（获取内存空间的大小） 适用范围：(1)字符串(2)字符、整型等各种数组，(3)int、flooat类型占的字节数 记住头文件是cstring，string不可以 strlen只能够计算字符串的长度，其他数组不可以 适用范围：(1)字符串%s(2...
Pytorch-学习记录 卷积操作——Tensor.size()
热门推荐
a132582的博客
11-28 4万+
设计网络结构、看网络结构源码时时常需要计算输入在结构中经过卷积层、pooling层后尺寸大小，特此记录。 pytorch中二维卷积层接口为 Conv2d() ，参数详情不多赘述，详情请参阅官方文档。我在此主要说明卷积层对输入计算之后size的变化情况。 例如， 卷积层的in_channels首先要与input的channels相对应，具体到上例，就是黑色和蓝色框所对应的部分。out_
size函数
danger2的博客
11-12 1361
返回一个包含两个元素的元组，表示该张量有两个维度，第一个维度大小是 2，第二个维度大小是 3。是用于获取张量的大小（维度）的方法。返回一个包含张量各个维度大小的元组。在 PyTorch 中，
assert all(tensors[0].size(0) == tensor.size(0) for tensor in tensors) AssertionError
哟哟哟哟哟哟
10-16 1万+
出现这个问题，我总结了两个原因 1.Data.TensorDataset()里的两个输入，不是tensor类型 我上面的from_numpy是将numpy.narray转换成tensor 2.Data.TensorDataset()里的两个输入,维度不一致 比如下面的第一行，第一维代表数据的行数。Data.TensorDataset()里的两个输入，应该改成一样的 第二行维度一...
[学习笔记] torch.tensor.size() 方法
qq_45638941的博客
09-22 3070
pytorch 学习笔记：torch.tensor.size() 方法
size()查看tensor的维度信息、numel()函数查看张量元素个数
凝眸伏笔的博客
01-09 1万+
1.tensor.size()， 查看张量的维度信息 import torch a = torch.tensor([[ 0.0349, 0.0670, -0.0612, 0.0280, -0.0222, 0.0422], [-1.6719, 0.1242, -0.6488, 0.3313, -1.3965, -0.0682], [-1.3419, 0.4485, -0.6589, 0.1420, -0.3260, -0.4795], [-0.
Tensorflow2.0笔记 - tensor的合并和分割
vivo01的专栏
01-22 941
主要记录concat,stack,unstack和split相关操作的作用。
书生·浦语大模型-第五节课笔记/作业
yuetan的博客
04-10 608
lmdeploy kv-cache推理耗时：2.9s。lmdeploy推理耗时: 0.43s。原7b模型问题耗时: 4.5s。
rust-candle学习笔记9-使用tokenizers加载qwen3分词，使用分词器处理文本
zhuziheniaoer的博客
05-08 780
rust-candle学习笔记9-使用tokenizers加载qwen3分词，使用分词器处理文本
TensorFlow 学习笔记--基础文本分类
小陈的博客，持续学习中--
12-05 1790
官网的教程代码有一些问题：1.调用文件夹时，官网的调用方式有错。2.测试函数，vetorize_text()调用vectorize_layer 后没有返回值，3.模型编译时 ，metics少加了[]。4.最后新的数据要转为张量才能用来预测。 这个笔记里代码里都改过来了
LLaMA代码笔记 --基于lit-llama
Qiming的博客
08-25 1409
llama代码笔记
Tensor.size()与Tensor.shape的区别
Chriswjhwjh的博客
01-19 2242
注：在python中，几乎所有的数据类型都是以类的形式实现的，包括Pytorch中的Tensor类型。Tensor是类的实例化对象，这个类继承自object基类，因此Tensor也有自己的属性和方法，允许用户创建、操作和查询张量的数据。根据函数嵌套的知识，函数名本质是变量名，表示一个内存地址。同理方法是类里的函数只打印方法名会得到地址。不带括号，因为它不是一个函数调用，而是一个访问属性。两者会返回同样的信息，但。是一个方法，需要通过调用（使用括号）来执行。打印Tensor.shape，会报错。
比较Tensor.size()和Tensor.shape()中的区别和numpy中size和shape的区别
MyHeartWillGoOn
11-03 5549
''' Author: 365JHWZGo Description:比较Tensor.size()和Tensor.shape()中的区别 Date: 2021/11/3 21:02 FilePath: day1103-2.py ''' #导包 import torch import numpy as np print('numpy中size和shape的区别'.center(20,'-')) #创造numpy数据 x = np.linspace(1,10,10).reshape(2,5) print(
维度 Tensor([]) Tensor([ [ [] ] ])
qq_46842773的博客
07-25 2829
Tensor(0) : 代表的是一个普通的数字0，维度是0. Tensor( [0] ) : 代表是一个向量，维度是1。有几组中括号，维度就是几。只不过如果里面只有一个数字的话，这个时候恰巧它只有一个数字而已，不像矩阵一样的，有很多数字。 总结：一个Tensor的维度是多少，它的size或者shape的向量的长度就是多少。假如一个Tensor的维度是3，那肯定它的形状要把3个维度上的形状都告诉你。一般，一个数据点的数据是一个向量，是一维的。全连接网络的数据是二维的，是一个向量，是行数×特征数量。CNN的
torch.Tensor.size()方法的使用举例
敲代码的小风
12-17 2万+
参考链接: size() 该方法返回的是当前张量的形状,返回值是元组tuple的一个子类. 代码实验举例: (base) PS C:\Users\chenxuqi> python Python 3.7.4 (default, Aug 9 2019, 18:34:13) [MSC v.1915 64 bit (AMD64)] :: Anaconda, Inc. on win32 Type "help", "copyright", "credits" or "license" for more inf
数组a的a.size()是无符号整数
dqhenshuai的博客
09-30 656
因为a.size()是无符号整数，无符号整数为0的时候 再-1就溢出了，变成无符号整数的最大值，所以在我以为a.size()-1=-1的时候，它仍旧往下执行，a已经空了，读取a[i]读不到而报错，所有的数组的size()都是无符号整数。就这个题目写的一个代码：问题在注释中。
【python】print函数的用法示例与讲解
weixin_63323335的博客
07-30 8431
python print 输出不换行 浮点数的输出 int整形的输出 字符串的输出 {} f{}的利用
关于size()函数的注意点
liuzibujian的博客
07-07 1万+
一 size()的返回值是unsigned类型的，所以不能和负数比较大小。请看下面的程序。 #include<iostream> using namespace std; int main() { unsigned x; x=2; if (-1>x) cout<<-1; else cout<<1; } 输出的结果是-1...
# docker run -d --gpus "device=0" -p 8000:8000 \ > vllm/vllm-openai:latest \ > --model dengcao/Qwen3-Embedding-4B \ > --tensor-parallel-size 1 166f1b43c7062b66f9aafaaad86a9efc73f0279bd19b5fc21596f8fbaff6ce71 docker: Error response from daemon: could not select device driver "" with capabilities: [[gpu]]. 这个报错原因
最新发布
12-19
<think>我们正在解决用户关于docker运行容器时出现`could not select device driver "" with capabilities: [[gpu]]`报错的问题。根据用户提供的引用内容，我们可以总结出以下几个可能的原因和解决方案： ### 可能原因： 1. **Docker未正确安装或版本过低**（引用[1]）：用户提到前一天还好好的，第二天就出现这个错误，重新安装最新版Docker后解决。 2. **nvidia-container-toolkit未安装或配置不正确**（引用[2][3][4]）：这是让Docker支持GPU的关键组件。 3. **nvidia-container-toolkit的仓库源配置错误**（引用[4]）：特别是在CentOS系统中，配置正确的仓库源非常重要。 ### 解决方案： #### 1. 确认Docker版本并升级（引用[1]） - 要求Docker版本至少为19.03，因为从该版本开始才支持`--gpus`选项。 - 检查Docker版本： ```bash docker --version ``` - 如果版本过低，升级Docker： - Ubuntu: ```bash sudo apt update sudo apt install --only-upgrade docker.io ``` - CentOS: ```bash sudo yum update docker ``` #### 2. 安装并配置nvidia-container-toolkit（引用[2][3][4]） - **对于Ubuntu系统**： ```bash # 设置仓库 distribution=$(. /etc/os-release;echo $ID$VERSION_ID) curl -s -L https://nvidia.github.io/libnvidia-container/gpgkey | sudo apt-key add - curl -s -L https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.list | sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list sudo apt update sudo apt install -y nvidia-container-toolkit sudo systemctl restart docker ``` - **对于CentOS系统**（引用[4]）： ```bash distribution=$(. /etc/os-release;echo $ID$VERSION_ID) curl -s -L https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.repo | sudo tee /etc/yum.repos.d/nvidia-container-toolkit.repo sudo yum install -y nvidia-container-toolkit sudo systemctl restart docker ``` #### 3. 重新配置Docker daemon以使用nvidia运行时 - 运行以下命令来配置Docker使用nvidia运行时（引用[3]）： ```bash sudo nvidia-ctk runtime configure --runtime=docker sudo systemctl restart docker ``` #### 4. 验证安装 - 运行一个测试容器： ```bash docker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smi ``` 如果成功，将输出与宿主机上`nvidia-smi`相同的GPU信息。 ### 其他注意事项： - **确保NVIDIA驱动已安装**：在宿主机上运行`nvidia-smi`确保驱动正常。如果没有，请先安装合适的驱动。 - **检查Docker服务状态**：确保Docker服务已经重启并且运行正常（`sudo systemctl status docker`）。 - **双显卡笔记本**：可能需要额外的配置（如使用Prime选择显卡），但不在本问题范围内。 ### 总结步骤： 1. 升级Docker到最新版（特别是当版本低于19.03时）。 2. 正确安装和配置nvidia-container-toolkit（注意系统版本对应的仓库配置）。 3. 重启Docker服务。 4. 运行测试容器验证。 如果按照这些步骤操作后仍然报错，可能需要查看更详细的日志（如`journalctl -u docker.service`）来定位问题。 --- §§相关问题§§ 1. 如何检查Docker是否支持GPU运行时？ 2. nvidia-container-toolkit安装后需要哪些配置步骤？ 3. 在Docker容器中使用GPU需要哪些权限？ 4. 如何解决`nvidia-smi`在容器中执行失败的问题？ </think> ### Docker运行容器报错 `could not select device driver "" with capabilities: [[gpu]]` 原因分析与解决方案 #### 一、核心原因分析 该错误表明**Docker无法找到支持GPU的驱动接口**，主要与以下组件相关： 1. **nvidia-container-toolkit未安装或配置错误**（占90%案例）[^1][^2] 2. **Docker版本过低**（需≥19.03）或配置未更新[^1] 3. **NVIDIA驱动未安装**或版本不兼容 4. **运行时配置缺失**（如未执行`nvidia-ctk runtime configure`）[^3] #### 二、解决方案（分步操作） ##### ✅ 步骤1：验证基础环境 ```bash # 检查NVIDIA驱动 nvidia-smi # 应有GPU信息输出 # 检查Docker版本（必须≥19.03） docker --version ``` ##### ✅ 步骤2：安装/修复nvidia-container-toolkit ###### Ubuntu系统 ```bash # 添加官方仓库 distribution=$(. /etc/os-release;echo $ID$VERSION_ID) curl -s -L https://nvidia.github.io/libnvidia-container/gpgkey | sudo apt-key add - curl -s -L https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.list | sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list # 安装工具包（关键步骤）[^1] sudo apt update sudo apt install -y nvidia-container-toolkit ``` ###### CentOS系统 ```bash distribution=$(. /etc/os-release;echo $ID$VERSION_ID) curl -s -L https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.repo | sudo tee /etc/yum.repos.d/nvidia-container-toolkit.repo sudo yum install -y nvidia-container-toolkit # 引用[4] ``` ##### ✅ 步骤3：配置Docker运行时（关键） ```bash # 链接nvidia运行时（必须执行） sudo nvidia-ctk runtime configure --runtime=docker # 引用[3] # 重启Docker服务 sudo systemctl restart docker ``` ##### ✅ 步骤4：验证修复 ```bash # 运行测试容器 docker run --rm --gpus all nvidia/cuda:11.0-base nvidia-smi ``` 成功标志：输出与宿主机`nvidia-smi`相同的GPU信息 #### 三、特殊场景处理 1. **Docker升级后失效** - 完全重装工具包： ```bash sudo apt purge nvidia-container-toolkit sudo apt install nvidia-container-toolkit sudo nvidia-ctk runtime configure --runtime=docker ``` 2. **双显卡笔记本问题** - 在BIOS中禁用核显 - 使用`prime-select`切换显卡： ```bash sudo prime-select nvidia ``` 3. **权限问题** - 将用户加入docker组： ```bash sudo usermod -aG docker $USER ``` #### 四、错误排查流程图 ```mermaid graph TD A[报错 could not select device driver] --> B{检查nvidia-smi} B -- 无输出 --> C[安装NVIDIA驱动] B -- 有输出 --> D{检查docker版本} D -- <19.03 --> E[升级Docker] D -- ≥19.03 --> F{检查nvidia-container-toolkit} F -- 未安装 --> G[安装工具包] F -- 已安装 --> H[执行 runtime configure] H --> I[重启docker服务] I --> J[测试GPU容器] ``` > 注：完整文档参考[NVIDIA容器工具包指南](https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/index.html)[^3]
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值