常用pytorch函数

最新推荐文章于 2025-02-18 09:05:27 发布

原创最新推荐文章于 2025-02-18 09:05:27 发布 · 274 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #python #深度学习

本文介绍了深度学习中常见的张量操作，包括unsqueeze用于在指定维度增加一个维度，squeeze用于删除尺寸为1的维度，permute用于维度交换，以及clip函数用于数值范围限制。这些操作在神经网络模型构建和训练中起到关键作用，确保数据处理的正确性和模型的稳定性。

unsqueeze(-1) 在最后一个维度增加一个维度，[2,3] ->[2,3,1]

squeeze(2) 在第二个维度减少一个维度(只有维度为1时才会真正被去掉) ,[2,1,3]->[2,3];如果是[2,2,3]在执行后还是[2,2,3]

permute(1,2,0) 交换维度，如[32,64,3]变为[64,3,32]

clip(0.,1.) 将数值限制在0.0到1.0之间，小于0.0的赋值为0.0，大于1.0的赋值为1.0 ，[-0.5,0.5,1.5]->[0.0,0.5,1.0]

detach 从计算图上分离下来，不更新

单下划线 _ :有时候单个独立下划线是用作一个名字，来表示某个变量是临时的或无关紧要的。

如也可以在拆分(unpacking)表达式中将单个下划线用作“不关心的”变量，以忽略特定的值。

car = ('red', 'auto', 12, 3812.4)

color, _, _, mileage = car #来获取仅关心的颜色与里程数

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

weirdo_coder

关注关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

Pytorch实用教程：Pytorch中tensor.size()用法 | .squeeze()方法 | .unsqueeze()方法

若北辰

04-07

2000

在 PyTorch 中，`tensor.size(0)` 是用来获取张量（Tensor）第一个维度的大小的一种方法。这里的“0”指的是第一个维度的索引，因为在 Python 和 PyTorch 中索引是从 0 开始的。换句话说，`size(0)` 返回的是张量在其第一个维度上的元素个数。

LSTNet--结合时间注意力机制的LSTM模型（附源码）

热门推荐

君子不怨的小梦想

07-10

3万+

一、引言 LSTM出现以来，在捕获时间序列依赖关系方面表现出了强大的潜力，直到Transformer的大杀四方。但是，就像我在上一篇博客《RNN与LSTM原理浅析》末尾提到的一样，虽然Transformer在目标检测、目标识别、时间序列预测等各领域都有着优于传统模型的表现，甚至是压倒性的优势。但Transformer所依赖的Multi-Head Attention机制给模型带来了巨大的参数量与计算开销，这使得模型难以满足实时性要求高的任务需求。我也提到，LSTM想与Transformer抗...

参与评论您还未登录，请先登录后发表或查看评论

pytorch的函数（如squeeze,permute,flatten,stack,numel,matmul）

weixin_44040169的博客

09-12

681

squeeze,permute,flatten,numel,matmul等。

Pytorch常用的函数(一)torch.squeeze()和torch.unsqueeze()、torch.cat()和torch.stack()函数功能及使用

qq_44665283的博客

06-05

6977

torch.squeeze()和torch.unsqueeze()、torch.cat()和torch.stack()函数功能及使用

pytorch中的squeeze和unsqueeze的用法小结

非晚非晚的博客

03-31

8109

squeeze的作用是对tensor变量进行维度压缩，去除维数为1的维度。unsqueeze的作用是对数据维度进行扩充，给指定位置加上维数为1的维度。请注意，不管是squeeze还是unsqueeze操作，都不会影响原先的张量维度，所以下面的操作中，都将压缩和解压缩操作赋值给了原张量。

pytorch中的squeeze和unsqueeze函数的使用

m0_59199033的博客

04-30

2810

应用场景：当我们进行深度学习使用Image函数导入图片时，默认它的维度为[C, H, W]，此时根据模型的需要导入batch这一维度。

pytorch常用函数手册

03-07

该手册致力于为用户提供一个全面且易于查阅的PyTorch函数指南，不仅适合初学者快速上手，也能够帮助有经验的开发者提高工作效率。 #### 二、手册内容特点 - **详细说明**：每个函数均配有详尽的描述，包括但不限于...

pytorch常用函数手册PDF

02-27

PyTorch 常用函数手册PDF将为用户提供一系列核心函数和类的详细说明，以便用户能够熟练掌握 PyTorch 进行深度学习的开发。 torch 是 PyTorch 的基础包，提供了 Tensor 数据结构、数学运算和自动化梯度计算等基础...

PyTorch深度学习入门手册：PyTorch深度学习常用函数库解析及其应用指南

11-20

分享一个入门的pytorch 常用函数查阅手册内容概要：本文档详细介绍了 PyTorch 中常用的函数，覆盖了从基础的张量操作到高级的模型训练和优化技巧。文档内容包括张量的基本操作、随机抽样、数学运算、损失函数（如 ...

[pytorch]常用函数（自用）

何进的博客

07-14

1776

返回一维张量，在start和end之间（包括start也包括end）的均匀间隔的steps个点，长度为steps。

pytorch 常用线性函数详解

12-23

Pytorch的线性函数主要封装了Blas和Lapack，其用法和接口都与之类似。常用的线性函数如下：函数功能 trace 对角线元素之和（矩阵的迹） diag 对角线元素 triu/tril 矩阵的上三角/下三角，可指定偏移量 ...

图解squeeze()和unsqueeze()函数

随缘分享

10-21

1万+

这篇文章是我对数组，张量的理解，以及对squeeze()和unsqueeze()函数功能的分析

PyTorch中squeeze()和unsqueeze()函数理解

Jorwnpay's Blog

03-12

2657

squeeze(arg) 表示若第arg维的维度值为1，则去掉该维度，否则tensor不变。（即若tensor.shape()[arg] == 1，则去掉该维度) 例如：一个维度为2x1x2x1x2的tensor，不用去想它长什么样儿，squeeze(0)就是不变，squeeze(1)就是变成2x2x1x2。（0是从最左边的维度算起的） >>> x = torch.zeros(2, 1, 2, 1, 2) >>> x.size() torch.Size([2, 1, 2

Python-squeeze()、unsqueeze()函数的理解

图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖

03-01

3万+

目录 1. 降维torch.squeeze(input, dim=None, out=None) 简单示例 matplotlib画图示例 2.增维torch.unsqueeze(input, dim, out=None) 简单示例 3.参考 1. 降维torch.squeeze(input, dim=None, out=None) 函数功能：去除size为1的维度，包括行和列。当维度大于等于2时，squeeze()无作用。当给定dim时，那么挤压操作只在给定维度上。即若tensor.s.

Pytorch运算：squeeze()向量降维

weixin_42158501的博客

01-24

236

如果输入是形如(A×1×B×1×C×1×D)(𝐴×1×𝐵×1×𝐶×1×𝐷)，那么输出形状就为： (A×B×C×D)(𝐴×𝐵×𝐶×𝐷)注意，上面代码可以变换书写形式：x.squeeze(), x.squeeze(0), x.squeeze(1);注意：返回张量与输入张量共享内存，所以改变其中一个的内容会改变另一个。例如，输入形状为: (A×1×B)(𝐴×1×𝐵),，形状会变成 (A×B)(𝐴×𝐵)。将会保持张量不变，只有用。

【pytorch】squeeze()和unsqueeze()函数介绍

ting的博客

06-14

740

在pytorch中，我们对张量Tensor的维度进行压缩或者扩充（被压缩或者扩充的维度为1），经常使用的是squeeze()函数和unsqueeze()函数。

pytorch中squeeze()和unsqueeze()函数意义

qq_40671063的博客

07-21

1490

pytorch中squeeze()和unsqueeze()函数

PyTorch中的 squeeze 和 unsqueeze 操作

weixin_53998309的博客

02-18

710

squeeze()：移除所有大小为1的维度，或根据需要移除特定维度。：在指定的维度位置插入一个大小为1的维度。

PyTorch中的squeeze()和unsqueeze()详解与应用案例

weixin_39490300的博客

03-13

5377

PyTorch中的squeeze()和unsqueeze()详解与应用案例

深度学习里常用的pytorch函数

最新发布

07-08

<think>我们被要求提供深度学习常用的PyTorch函数，并按照系统级指令进行格式化。根据引用[1]和引用[2]，我们可以将常用函数分类整理。引用[1]中已经提供了PyTorch常用函数的分类总结，包括张量操作、自动求导、神经网络构建、数据加载和优化器等模块。我们将按照以下结构组织回答： 1. 张量操作（创建、属性、形状操作、索引切片、数学运算） 2. 自动求导 3. 神经网络构建（层、激活函数、损失函数） 4. 数据加载与处理 5. 优化器 6. 设备管理（CPU/GPU）注意：所有数学表达式使用$...$格式，独立公式使用$$...$$格式。同时，在回答末尾生成相关问题。由于引用[1]提供了详细的函数列表，我们将以此为基础进行扩展和说明。</think>### PyTorch 常用函数详解 PyTorch 是深度学习的核心框架之一，以下按功能分类总结常用函数（基于引用[1][^1]和引用[2][^2]）： #### 1. 张量操作 **1.1 创建张量** - 基础创建： ```python torch.tensor([1, 2, 3]) # 从数据创建 torch.zeros((2, 3)) # 全零张量 torch.randn((2, 3)) # 标准正态分布张量 ``` - 特殊张量： ```python torch.arange(0, 10, 2) # 生成序列 [0,2,4,6,8] torch.linspace(0, 1, 5) # 等距向量 [0.0, 0.25, 0.5, 0.75, 1.0] ``` **1.2 张量运算** - 形状操作： ```python x.reshape(3, -1) # 重塑张量形状 torch.cat([x, y], dim=0) # 沿维度拼接 ``` - 数学运算： ```python torch.matmul(A, B) # 矩阵乘法 torch.exp(x) # 指数运算 x.mean(dim=1) # 沿维度求均值 ``` #### 2. 自动求导 ```python x = torch.tensor(2.0, requires_grad=True) y = x**2 + 3*x y.backward() # 自动计算梯度 print(x.grad) # 输出梯度值: 7.0 (因 $\frac{dy}{dx}=2x+3$) ``` #### 3. 神经网络构建 **3.1 网络层** ```python nn.Linear(784, 256) # 全连接层 nn.Conv2d(3, 16, kernel_size=3) # 卷积层 nn.LSTM(input_size=10, hidden_size=20) # LSTM层 ``` **3.2 激活函数与损失** ```python nn.ReLU() # ReLU激活 nn.CrossEntropyLoss() # 交叉熵损失 nn.MSELoss() # 均方误差损失 ``` #### 4. 数据加载 ```python from torch.utils.data import DataLoader loader = DataLoader(dataset, batch_size=32, shuffle=True) ``` #### 5. 优化器 ```python optim.SGD(model.parameters(), lr=0.01) # 随机梯度下降 optim.Adam(model.parameters(), lr=0.001) # Adam优化器 ``` #### 6. 设备管理 ```python device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model.to(device) # 模型转移到GPU ``` ### 典型应用示例 ```python # 简单神经网络训练流程 model = nn.Sequential( nn.Linear(784, 256), nn.ReLU(), nn.Linear(256, 10) ) optimizer = optim.Adam(model.parameters()) loss_fn = nn.CrossEntropyLoss() for x, y in dataloader: pred = model(x) loss = loss_fn(pred, y) loss.backward() optimizer.step() optimizer.zero_grad() ```