PyTorch深度学习实践——对维度的认识

最新推荐文章于 2025-03-08 15:57:27 发布
最新推荐文章于 2025-03-08 15:57:27 发布
阅读量1.3k 收藏 3
点赞数 3
分类专栏： pytorch深度学习 文章标签： pytorch 深度学习 机器学习
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/m0_60458471/article/details/119967030
版权
本文探讨了输入输出维度的概念，从认知、空间、数学和机器学习四个角度进行阐述。在认知上，维度代表着物体的属性；在空间上，维度对应着从点到体的几何形态变化；在数学上，维度通过方程和矩阵来体现；在机器学习中，维度涉及到样本和特征，并在PyTorch中通过tensor张量进行表示。文章还举例说明了如何理解和处理输入输出维度在实际操作中的应用。

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

输入输出维度

       在本节的博客中将整理对于输入输出维度的相关认识，总结如下：

       在之前发布的博客《PyTorch深度学习实践——反向传播》中谈到了自己对于一个模型输入的维度认识：不同的维度类似于不同的属性，从不同的方向上来描述一个模型，使得模型愈加的丰满具体。

       但这种理解过于抽象，没有实际的理论依据，在机器学习中如果没有引入向量和矩阵的相关概念就来讨论维度也显得非常不严谨而且让人容易混淆，因此在使用PyTorch实现线性回归时，输入维度中引入了tensor张量，使得自己出现了很多疑问，在经过宝藏学长的耐心讲解后，对于维度这个概念有了重新的理解，以下从四个方面来阐述什么是维度：①认知②空间③数学④机器学习

     ①认知上：从我们的认知上而言，维度不妨去这样理解：不同的维度就像一个物体的不同属性，这些不同的属性从不同的方向上来描述一个物体，使得物体愈加的丰满具体。因此维度的增加使得我们现实中的物体由抽象变为了具体

   ②空间上：在空间中，我们知道，0维代表一个点，1维代表一条线，2维代表一个面，3维代表一个体....0维的点是一个无穷小的点，没有方向也没有大小，无数0维的点便构成了1维的线，换言之，1维的线的截面便是0维的点，同理无数1维度的线变构成了2维的面，2维的面的截面便是1维的线，无数2维的面叠加变形成了3维的体，3维的体的截面是2维的面....我们无法想象出四维的形状但我们也能推出，4维由无数3维的体叠加，而每一个截面也是3维的体

   ③数学上：从空间上我们知道了0维，1

最低0.47元/天 解锁文章
PyTorch深度学习实战（2）——PyTorch基础
盼小辉丶的博客
06-04 5万+
PyTorch 是广泛应用于机器学习领域中的强大开源框架，因其易用性和高效性备受青睐。在本节中，将介绍使用 PyTorch 构建神经网络的基础知识。首先了解 PyTorch 的核心数据类型——张量对象。然后，我们将深入研究用于张量对象的各种操作。PyTorch 提供了许多帮助构建神经网络的高级方法及组件，并提供了利用 GPU 更快地训练神经网络的张量对象。
9-pytorch中常见的维度操作
zqb_123的博客
12-21 1011
2、squeeze；unsqueeze：压缩维度和增加维度（相对于维度为1的数据）3、transpose；permute：维度顺顺序变换(转置）Flatten：维度合并和分解。repeat：维度扩展。
深度学习-维度的理解
godme
05-01 5003
属性 属性个体 身高：身高：175cm身高：身高：175cm身高：身高：175cm 基本的属性总包含这两方面信息： 属性标签 属性度量 对于单属性个体而言，属性度量是准确的定位的 x身高=175cm x_{身高} = 175cm x身高​=175cm 属性集合 都是单属性，但是有可能对应多个的样本，如果存在175,168,129,137175,168,129,137175,168,129,...
PyTorch 中的维度操作详解
最新发布
qq_52396617的博客
03-08 826
是描述张量形状的一种方式。维度操作是 PyTorch 中非常重要的功能，常用于调整张量的形状以适配各种计算需求。以下是常见的维度操作及其示例。通过这些操作，可以灵活调整张量的形状，使其适配各种计算需求！的作用是在指定维度上增加一个大小为 1 的维度。的作用是移除指定维度上大小为 1 的维度。的作用是沿着指定的维度对张量求和，并。在 PyTorch 中，
深度学习中所指的维度该怎么理解？
weixin_44912950的博客
07-22 2227
在PyTorch中，张量（Tensor）是多维数组，其中包含了多个元素。维度用于描述数据在各个方向上的大小或者说是用来描述张量中数据排列的方式。可以将张量想象成一个多维网格，其中每个网格上的元素都对应着一个数值。一个张量的维度数量被称为它的“阶”或“秩”，而每个维度都有一个大小（size），表示该维度上可以容纳的元素数量。在通道注意力模块代码中，维度是指张量在每个轴上的大小。属性来获取张量的形状，这将返回一个包含各维度大小的元组。维度上与其他张量保持一致，以便后续的计算可以正确进行。，表示有3行和4列。
深度学习中的张量维度
十年以上架构设计经验，专注于软件架构和人工智能领域，对机器视觉、NLP、音视频等领域都有涉猎
12-19 2224
在深度学习框架中，Tensor（张量）是一种数据结构，用于存储和操作多维数组。张量可以被视为一种扩展的矩阵，它可以具有任意数量的维度。
PyTorch深度学习实践——处理多维特征的输入
weixin_66648679的博客
04-04 2173
import torch import numpy as np xy = np.loadtxt('diabetes.csv', delimiter=',', dtype=np.float32) # 括号内第一个为文件名，第二个为分隔符，第三个为指定数据类型 x_data = torch.from_numpy(xy[:, :-1]) # 最后一列不要（-1表示最后一列），取前面八列（最后一列是y） y_data = torch.from_numpy(xy[:, [-1]]) # 中括号表示仅取-1这.
PyTorch深度学习实践——Logistic回归
weixin_66648679的博客
04-01 1617
import torch import torch.nn.functional as F x_data = torch.Tensor([[1.0], [2.0], [3.0]]) y_data = torch.Tensor([[0], [0], [1]]) # 现在的输入y为分类，故只为0或1 # ----------------------------------------------------------------准备数据集 class LogisticRegressionModel.
PyTorch深度学习实践——反向传播
m0_60458471的博客
08-24 1034
总结： 在这一节的学习中，学习到反向传播相关知识，对于反向传播算法，同样也是通过三个方面来进行总结：反向传播算法是什么？为什么需要反向传播？如何实现反向传播？ 反向传播算法是什么？ 回顾之前学习的简易的线性模型，我们拿到相应的输入x，然后通过权重值w和x相乘得到对应的输出y_hat，最后通过真实值y与y_hat作损失，通过梯度下降或者穷举的方法找到loss的最小值，然后对w进行更新，将线性模型使用简单的神经网络(Neurn)表示得到以下图： 然而我们知道，深度学习模型不都是简单...
pytorch的维度含义
cloudless_sky的博客
04-21 1425
https://mathpretty.com/12065.html 当按照axis=0进行求和的时候, 其实可以想象为对axis=0这个维度进行挤压, 最后只剩下一行, 那一行就是结果, 也就是按列在相加.
pytorch维度的理解
gf_lvah的博客
04-11 987
在学习pytorch实现合并和求和运算时，经常会用到维度的概念，我在第一次接触时还是有点混乱的，在实践操作过程中，总结出一套自己的理解思路，故记录总结到博客上。 此处dim代表维度， 和numpy模块中的axis一样。 对于二维数组而言， dim=0代表行， dim=1代表列。 数组合并操作 数组求和操作 dim=0代表行相加， 可以理解为所有行相加之和 dim=1代表列相加，可以理解为所有列相加之和 ...
pytorch维度
qq_35985044的博客
01-11 602
要理解pytorch的维度其实很简单，从内往外数括号，每一层括号里有几个元素那一维就是几，例如3x4x2的张量如下： torch.tensor([[1,1,1],[1,1,1],[1,1,1],[1,1,1]],[[1,1,1],[1,1,1],[1,1,1],[1,1,1]]])
pytorch的维度问题
Ashley_ly的博客
05-06 651
如上面的动图所示, 当dim=0的时候, 按每一行的元素进行相加, 最后的结果就是和按列求和.
PyTorch中维度的概念（转）
07-13 525
转载自： https://mathpretty.com/12065.html 简介 今天在使用torch中的topk的时候, 对于dim产生了一些疑问. 后面也是找到了规律, 但是还是很困惑他为什么是这么设计的, 即dim与tensor本身的行列是不一致的. 然后就查了一下, 真的找到了一篇很好的文章, 解决了我的困惑, 就想在这里记录一下. 我这一篇文章里的所有的动图, 都是来自与下面这篇文章, 写的非常直观. 原文链接(十分棒的文章), Understanding dimensions .
深度学习笔记（4）——维度操作（1）压缩维度与扩展维度
cs111211的博客
09-03 2443
维度操作在深度学习的模型搭建的过程中是一类常用的操作，其中对维度的操作有增加维度、压缩维度、展平、·拼接、拆分、维度重塑，转置’,维度交换等，下面总结下目前可以想到的维度操作。
pytorch 中维度（Dimension）概念的理解
热门推荐
qq_40994016的博客
05-30 1万+
pytorch 中维度（Dimension）概念的理解 Dimension为0（即维度为0时） 维度为0时，即tensor(张量)为标量。例如：神经网络中损失函数的值即为标量。 接下来我们创建一个dimension为0 的tensor #导入torch import torch #创建一个维度为0的tensor a = torch.tensor(1.) print(a)#输出a print(a.size())#表示tensor的类型，size和shape在pytorh中都表示tensor的类型 print(
（转）pytorch中的矩阵维度
07-11 907
pytorch中的矩阵维度 - PososAgapo的文章 - 知乎 https://zhuanlan.zhihu.com/p/63802393 pytorch中对于矩阵要进行的操作很多，但是初学者可能并不很清楚矩阵的维度，以及当矩阵维度变大时候，怎么知道我们要操作的维度在哪里。 1.学会观察中括号，了解你现在的输出数据到底是在几维空间。 tensor([[[0.1205, 0.1218], [0.1326, 0.1112], [0.1276, 0.1477],
动手学深度学习——PyTorch版
"《动手学深度学习》是Aston Zhang、Zachary C....本书旨在帮助读者掌握深度学习的基本原理和PyTorch框架，为更高级的深度学习实践打下坚实的基础。通过实践项目和理论讲解，读者可以逐步提升在深度学习领域的技能。
评论 2
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