torch byte筛选疑问

最新推荐文章于 2024-10-30 07:15:00 发布
最新推荐文章于 2024-10-30 07:15:00 发布
阅读量3.3k 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： pytorch知识宝典
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。
本文链接：https://blog.youkuaiyun.com/jacke121/article/details/83997579
博客探讨了在PyTorch中使用ByteTensor进行按位操作时遇到的疑惑，尤其是当与其他数据类型结合时行为的改变。作者通过示例展示了不同情况下的结果，指出可能会得到意想不到的输出，特别是当index0值为1或0时。讨论了在处理这些数据时可能遇到的奇怪现象，并提出理解这种行为的重要性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

 

import torch
m=torch.Tensor([[0.1,0.2,0.3],[0.5,0.6,0.4]])

iou=torch.Tensor([0.5,0.6,0.7])
a=iou > 0.5
print(a)
index=torch.Tensor([1,0,1]).type(torch.ByteTensor)

index0=torch.Tensor([1,1]).type(torch.ByteTensor)
print(index)

x=m[index0,index]
print(x)
m[index0,index]=2
print(m)

结果是：有疑问，index0的值是1或者0，出来的结果都挺奇怪：

tensor([0.1000, 0.4000])
tensor([[2.0000, 0.2000, 0.3000],
        [0.5000, 0.6000, 2.0000]])

解释：

byteTensor按位取数据，index0是1,1，则取两组数据

index中，至少有一个1，如果有一个1，两组第二维相同，，如果有两个1，从左到右依次各取一个。

这个会有几个数：


                

        

         

    

    
  


        

            

                

                

                了解本专栏
                
                
                  
                订阅专栏 解锁全文
                 
                
                    
                    超级会员免费看
                
            

            
            
            
        


    



                



	

		

			

				
					
torch多维取数据

				
			

			

				

					jacke121的专栏
				

				

					09-14
					
					3228
					
				

			

		

		

			
				
 

索引类型只支持uint8或者int64

bytes 或者long类型


import torch
import numpy as np
a=torch.zeros((4,3,3))

b=torch.ones((4,3)).type(torch.uint8)

print(a[b])

结果是12,3

# import numpy as np
#
# a = np.zeros((80,...

			
		

	



                

            
              



	

		

			

				
					
torchvision 0.16.2 requires torch==2.1.2, but you have torch 2.3.0 which is incompatible.解决方案

					
热门推荐

				
			

			

				

					weixin_43178406的博客
				

				

					06-08
					
					20万+
					
				

			

		

		

			
				
本文主要介绍了torchvision 0.16.2 requires torch==2.1.2, but you have torch 2.3.0 which is incompatible.解决方案，希望能对使用torch和torchvision的同学们有所帮助。

文章目录

1. 问题描述
2. 解决方案

			
		

	



              


  
              

                


	

		

			

				
					
PyTorch学习笔记(2)——变量类型(cpu/gpu)

				
			

			

				

					g11d111的博客
				

				

					07-03
					
					3万+
					
				

			

		

		

			
				
前言


  PyTorch中的数据类型为Tensor，Tensor与Numpy中的ndarray类似，同样可以用于标量，向量，矩阵乃至更高维度上面的计算。PyTorch中的tensor又包括CPU上的数据类型和GPU上的数据类型，一般GPU上的Tensor是CPU上的Tensor加cuda()函数得到。通过使用Type函数可以查看变量类型。系统默认的torch.Tensor是torch.Floa...

			
		

	





	

		

			

				
					
关于pytorch中的tensor用法总结（好办法分享给大家）

				
			

			

				

					weixin_69334636的博客
				

				

					03-17
					
					3450
					
				

			

		

		

			
				
张量类型
	类型
		- torch.FloatTensor/torch.float32：单精度浮点型tensor，即32位浮点型。 - torch.DoubleTensor/torch.float64：双精度浮点型tensor，即64位浮点型。 - torch.HalfTensor/torch.float16：半精度浮点型tensor，即16位浮点型。 - torch.ByteTensor/torch.uint8：无符号8位整型tensor。 - torch.CharTensor/torch.int8：有

			
		

	



		

			
		



	

		

			

				
					
pytorch masked_fill

				
			

			

				

					Answer3664的博客
				

				

					09-16
					
					679
					
				

			

		

		

			
				
import torch.nn.functional as F
import numpy as np
a = torch.Tensor([1,2,3,4])
a = a.masked_fill(mask = torch.ByteTensor([1,1,0,0]), value=-np.inf)
 
print(a)
b = F.softmax(a)
print(b)


tensor([-inf...

			
		

	





	

		

			

				
					
torch 数据类型转换

				
			

			

				

					qq_34430032的博客
				

				

					12-16
					
					2万+
					
				

			

		

		

			
				
du = torch.ones([2,2])
a = np.array([[1,2],[3,4]],dtype=np.float32)
b = torch.from_numpy(a)#数据类型是不变的 上面dtype是什么类型 下面torch对应就是什么tensor
print('yes')
#tensor 默认是float32的 比如torch.ones zeros都是生成float32数据
...

			
		

	





	

		

			

				
					
AttributeError: module ‘torch.library‘ has no attribute ‘register_fake‘解决方案

				
			

			

				

					weixin_43178406的博客
				

				

					10-30
					
					13万+
					
				

			

		

		

			
				
本文主要介绍了AttributeError: module ‘torch.library’ has no attribute 'register_fake’解决方案，希望能对使用Python的同学们有所帮助。

文章目录

1. 问题描述
2. 解决方案

			
		

	





	

		

			

				
					
torch max 判断与筛选

				
			

			

				

					jacke121的专栏
				

				

					11-12
					
					3098
					
				

			

		

		

			
				
判断max是否大于0：item()后，就变成了一个值了，

import torch

y=torch.Tensor(1,2,3)

if torch.max(y>=2).item():

   print("max") else: print("no")



多维max值：

torch.max(anch_ious, 1, keepdim=True)[0].squeeze(1)
...

			
		

	





	

		

			

				
					
【已解决】ERROR: No matching distribution found for torch.安装torch一次性解决方法

				
			

			

				

					JavaPub
				

				

					07-29
					
					6703
					
				

			

		

		

			
				
（一定选择对应版本的依赖，如果找不到对应依赖，可以升降 python 版本）：（选择对应操作系统、系统架构和 python版本的依赖）手动下载到本地，本地安装。无法拉取，可能是镜像问题。

			
		

	





	

		

			

				
					
ImportError: cannot import name ‘is_torch_npu_available‘ from ‘transformers.utils‘解决方案

				
			

			

				

					weixin_43178406的博客
				

				

					01-25
					
					4万+
					
				

			

		

		

			
				
本文主要介绍了ImportError: cannot import name ‘is_torch_npu_available’ from 'transformers.utils’解决方案，希望能对使用transformers的同学们有所帮助。

文章目录

1. 问题描述
2. 解决方案

			
		

	





	

		

			

				
					
pytorch入门三  数据类型与函数

				
			

			

				

					wzw12315的专栏
				

				

					05-09
					
					1950
					
				

			

		

		

			
				
张量
	
pytorch中提供了不同数据类型的张量：
cpu情形下：


通用类型  torch.Tensor
float型  torch.FloatTensor
double型  torch.DoubleTensor
int型  torch.IntTensor
long型  torch.LongTensor
byte型  torch.ByteTensor

gpu情形下：


float型  torch.cuda.FloatTensor
double型  torch.cuda.DoubleTensor..

			
		

	





	

		

			

				
					
Pytorch中的张量数据类型（Tensor）

				
			

			

				

					hanmo22357的博客
				

				

					03-14
					
					5927
					
				

			

		

		

			
				
数学中有标量、向量和矩阵的概念，它们的维度分别是0、1、2。也就是说，标量中元素的位置固定，向量中元素的位置需要通过其索引确定，矩阵中的元素位置需要通过其行号和列号确定。张量可以视为矩阵的扩展，可以用于表示无穷维度的数据。张量（Tensor）是Pytorch库中的基本数据类型，Pytorch中各种基本数字类型都有其对应的Tensor类型，但是在Pytorch中没有内嵌的字符串类型。

			
		

	





	

		

			

				
					
Pyorch基础：张量

				
			

			

				

					Poor - Because you have no ambition
				

				

					04-13
					
					298
					
				

			

		

		

			
				
Autograd:Automatic Differentiation
autograd是Pytorch中神经网络的核心
autograd包对所有在Tensor上的操作提供自动微分。是一个按运行定义的框架。这意味着backprop是由代码的运行方式定义的，并且每个迭代可以是不同的
Tensor
torch.Tensor是这个包的核心类。

.requires_grad=True可以追踪所有在其的操作...

			
		

	





	

		

			

				
					
pytorch常用数据类型所占字节数对照表

				
			

			

				

					yrwang_xd的博客
				

				

					05-21
					
					1445
					
				

			

		

		

			
				

			
		

	





	

		

			

				
					
pytorch: tensor类型的构建与相互转换

				
			

			

				

					JNing
				

				

					04-08
					
					11万+
					
				

			

		

		

			
				
Summary

主要包括以下三种途径：


使用独立的函数；
使用torch.type()函数；
使用type_as(tesnor)将张量转换为给定类型的张量。




使用独立函数



import torch

tensor = torch.randn(3, 5)
print(tensor)

# torch.long() 将tensor投射为long类型
long_tensor = te...

			
		

	





	

		

			

				
					
Pytorch变量类型转换

				
			

			

				

					zchenack个人专栏
				

				

					01-24
					
					9万+
					
				

			

		

		

			
				
Pytorch的数据类型为各式各样的Tensor,Tensor可以理解为高维矩阵。与Numpy中的Array类似。Pytorch中的tensor又包括CPU上的数据类型和GPU上的数据类型，一般GPU上的Tensor是CPU上的Tensor加cuda()函数得到。通过使用Type函数可以查看变量类型。一般系统默认是torch.FloatTensor类型。例如data = torch.Tensor(

			
		

	





	

		

			

				
					
Torch深度学习入门

				
			

			

				

					zackzhaoyang的专栏
				

				

					05-15
					
					2万+
					
				

			

		

		

			
				
lua和torch的安装官网都有，lua的语法基础知识网上有很多。请看本文前自行学习。本文简单介绍了torch做深度学习模型的简单用法，并给出了CIFAR-10的分类例子和代码。

			
		

	





	

		

			

				
					
Torch教程(1)-Tensor

				
			

			

				

					南有乔木NTU的博客
				

				

					01-04
					
					1万+
					
				

			

		

		

			
				
Torch是一个广泛支持机器学习算法的科学计算框架。易于使用且高效，主要得益于一个简单的和快速的脚本语言LuaJIT，和底层的C / CUDA实现。 
核心特征的总结： 
1. 一个强大的n维数组 
2. 很多实现索引，切片，移调transposing的例程 
3. 惊人的通过LuaJIT的C接口 
4. 线性代数例程 
5. 神经网络，并基于能量的模型 
6. 数值优化例程 
7. 快速高效的GP

			
		

	





	

		

			

				
					
Pytorch(一) —— 相关库和函数

				
			

			

				

					hxxjxw的博客
				

				

					05-21
					
					4650
					
				

			

		

		

			
				
从numpy中导入tensor

torch.from_numpy()





以前是整型，导入就是整型。以前是浮点型，导入就是浮点型



生成未初始化的数据

①Torch.empty()

②Torch.FloatTensor(d1,d2,d3)

③Torch.IntTensor(d1,d2,d3)

注意，未初始化的tensor一定要跟有写入数据的后续步骤



...................................................................

			
		

	





	

		

			

				
					
torch索引数据筛选

					
最新发布

				
			

			

				

					04-03
				

			

		

		

			
				
### PyTorch 数据索引与筛选方法

#### 1. 基本概念
在 PyTorch 中，数据索引指的是对张量（Tensor）进行操作以访问或修改其内部元素的过程。这种操作对于深度学习模型的数据预处理至关重要[^1]。

#### 2. 简单行、列索引
可以通过整数来访问张量中的某个具体位置的值。例如，在一维张量中，`x[0]` 表示获取第一个元素[^3]。

```python
import torch

x = torch.tensor([1, 2, 3])
print(x[0])  # 输出: tensor(1)
```

#### 3. 列表索引
如果需要一次性选取多个不连续的位置，可以传递一个由这些位置组成的列表作为索引参数[^2]。

```python
indices = [0, 2]
y = x[indices]
print(y)  # 输出: tensor([1, 3])
```

#### 4. 范围索引 (切片)
利用 Python 的切片语法可以从张量中截取出一段子序列。注意，默认情况下返回的是降维后的结果；若想保留原始形状，则需额外指定步长或其他选项。

```python
z = x[0:2]
print(z)  # 输出: tensor([1, 2])

w = x[:1]  # 使用前闭后开原则保持维度一致性
print(w.shape)  # 输出: torch.Size([1])
```

#### 5. 布尔索引
布尔索引是一种强大的工具，允许基于某些逻辑条件挑选符合条件的部分数据项。

```python
condition = torch.tensor([True, False, True])
filtered_x = x[condition]
print(filtered_x)  # 输出: tensor([1, 3])
```

#### 6. 多维索引
当面对更高维度的张量时，上述规则同样适用，只需按照各轴方向依次提供相应的索引即可。

```python
multi_dim_tensor = torch.arange(9).reshape((3, 3))
row_index = 1
col_index = slice(None)

selected_row = multi_dim_tensor[row_index, col_index]
print(selected_row)  # 输出: tensor([3, 4, 5])
```

---

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		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
            

          

        

        

          

          

          

        

      

    

    

  





	
打赏作者

	

		

		
			
		
		

		

			
AI算法网奇

			
你的鼓励将是我创作的最大动力

		

	

	

			

	

	

    ¥1
    ¥2
    ¥4
    ¥6
    ¥10
    ¥20
	

	

		

			

				

					扫码支付：¥1
				

				

					

					
					获取中
					

				

				

					
					
					扫码支付
				

			

		

		

			
您的余额不足，请更换扫码支付或充值

			
打赏作者

		

	



      
      

      
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