pytorch张量运算基础

最新推荐文章于 2025-01-04 12:17:44 发布

ajiujiujiu

最新推荐文章于 2025-01-04 12:17:44 发布

阅读量451

点赞数 1

分类专栏： pytorch学习笔记

本文链接：https://blog.youkuaiyun.com/ajiujiujiu/article/details/115984573

版权

pytorch学习笔记专栏收录该内容

5 篇文章

订阅专栏

这篇博客介绍了PyTorch中张量的基础操作，包括随机创建、列表创建、值修改、ones()和zeros()函数的使用、张量加法、在CPU与GPU间迁移、求最大值、节省内存的操作、张量变形以及维度交换。此外，还阐述了张量广播的规则和应用场景。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

pytorch张量运算基础

（1）随机创建秩为2的张量：

>>> torch.rand(2,2)
tensor([[0.1380, 0.6323],
        [0.1372, 0.3706]])

（2）由列表创建张量，改变张量中的一个值

>>> x = torch.tensor([[0,0,1],[1,1,1],[0,0,0]])
>>> x
tensor([[0, 0, 1],
        [1, 1, 1],
        [0, 0, 0]])
>>> x[0][0]=5
>>> x
tensor([[5, 0, 1],
        [1, 1, 1],
        [0, 0, 0]])

（3）使用ones（）和zeros（)函数创建张量

>>> torch.zeros(2,2)
tensor([[0., 0.],
        [0., 0.]])

（4）张量的加法运算

>>> torch.ones(1,2) + torch.ones(1,2)
tensor([[2., 2.]])

（5）使用to（）函数将张量复制进CPU或GPU

>>> cpu_tensor = torch.rand(2)
>>> cpu_tensor
tensor([0.5383, 0.4437])
>>> cpu_tensor.device
device(type='cpu')
>>> gpu_tensor = cpu_tensor.to('cuda')
>>> gpu_tensor.device
device(type='cuda', index=0)

（6）求张量中的最大元素

>>> torch.rand(2,2).max()
tensor(0.8762)
>>> torch.rand(2,2).max().item()
0.9710603952407837

（7）在原函数后面加下划线，可用于节省内存

>>> random_tensor = torch.rand(2,2)
>>> random_tensor.log2()
tensor([[-0.1777, -8.2509],
        [-0.3882, -2.2375]])
>>> random_tensor.log2_()
tensor([[-0.1777, -8.2509],
        [-0.3882, -2.2375]])

（8）张量的变形view（)和reshape（）函数

如MNIST数据集为28×28的灰度图像集合，但其被变换为长度为784的数组，后续转换为1×28×28的张量（1为通道数）

关于view（)和reshape（）函数的区别：

view（)会处理为原张量的一个视图，如果底层数据发生改变，视图也会发生改变，如果视图不连续，则会报错，reshape（）会在后台完成这些操作

因此推荐使用reshape（）函数！！！！！！

>>> flat_tensor = torch.rand(784)
>>> viewed_tensor = flat_tensor.view(1,28,28)
>>> viewed_tensor.shape
torch.Size([1, 28, 28])
>>> reshaped_tensor = flat_tensor.reshape(1,28,28)
>>> reshaped_tensor.shape
torch.Size([1, 28, 28])

（9）交换张量维度

图像一般存储为[height, width, channel] 的张量，但是pytorch通常按照[channel, height, width]处理，因此可以使用permute()函数交换维度，permute()函数中为维度的索引值

>>> hwc_tensor = torch.rand(640,480,3)
>>> chw_tensor = hwc_tensor.permute(2,0,1)
>>> chw_tensor.shape
torch.Size([3, 640, 480])

（10）张量广播

张量广播的条件：

两个张量维度大小相等（我理解的是列数相等）

并且其中一个维度大小为1（其中一个的行数为1）

比如将一个[2, 2]的张量增加成[3, 3]的张量则会报错

但是将一个[1, 3]的张量增加为[3，3]的张量则可行