torch基本操作

最新推荐文章于 2025-06-24 21:07:38 发布

转载最新推荐文章于 2025-06-24 21:07:38 发布 · 308 阅读

文章标签：

#lua

1.在terminal中th进入troch，th+文件名.lua运行文件。进入torch之后，dofile+“文件名.lua”运行文件

关注博主即可阅读全文

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

weixin_33827731

关注关注

0
点赞
踩
0

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

torch对于tensor的常规操作

baidu_33512336的博客

11-17

4123

前言使用pytorch框架，会常操作tensor，以下则是对tensor常规操作的汇总。 import torch torch.Tensor会继承某些torch的某些数学运算，例如sort, min/max....不需要调用相应的torch.funciton进行处理,下文中如果是torch/Tensor即表示该函数可以直接对self的tensor使用，也可以使用torch给的相应函数接口 1.torch/Tensor.reshape(input, shape) → Tensor 指定tenso

初识Torch

最新发布

cxk

07-14

742

PyTorch是由MetaAI开发的开源深度学习框架，以其动态计算图和易用性著称。本文介绍了PyTorch的核心特点、安装方法（CPU/GPU版本）及验证方式，重点讲解了张量（Tensor）的创建与操作，包括从Python列表/NumPy数组初始化、形状改变和数学运算。文章详细阐述了自动微分（autograd）机制，通过示例展示标量和向量梯度计算，并提供一个完整的线性回归案例演示参数优化过程。最后总结了PyTorch在深度学习中的优势，包括GPU加速、自动微分以及与Python生态的无缝集成。

参与评论您还未登录，请先登录后发表或查看评论

0825torch基础入门操作

m0_54028213的博客

08-25

2080

基础入门

深度解析torchrun与local_rank

ningyanggege的博客

06-24

757

从最根本的角度来看，分布式训练就是将一个大任务分解成多个小任务，让多个工作者并行处理，最后汇总结果。fill:#333;color:#333;color:#333;fill:none;大型训练任务数据分割模型分割工作者1处理数据块1工作者2处理数据块2工作者N处理数据块N梯度汇总模型参数更新公司总部（全局视角）├── 北京分公司（节点0）│ ├── 员工A（local_rank=0, global_rank=0）

torch的基本用法 | 超全总结

K_Kelly_的博客

10-01

3016

torch常见用法

Torch类的基本操作,数据预处理，数据加载

sjb2274540432的博客

11-21

1311

每次对这些张量执行操作，PyTorch 会在后台构建计算图以记录操作历史，并自动计算梯度。梯度分离在深度学习模型开发中有广泛的应用，尤其在需要控制梯度传播路径或者冻结部分模型参数时非常重要。是用来高效加载和迭代数据集的工具，特别是在深度学习中，常用于分批次读取数据、打乱数据等操作。PyTorch 张量支持灵活的形状操作，主要涉及获取张量形状、调整形状、扩展维度等操作。，任何对它的操作都会记录在计算图中，计算图会追踪操作历史以便后续调用。在迁移学习中，我们通常会冻结预训练模型的参数，避免对其进行更新。

Pytorch学习笔记系列-Torch基本操作

带鱼工作室的博客

07-11

2455

目录 1.Pytorch介绍与安装 1.1 介绍 1.2 Pytorch安装 2 Torch 2.1 Tensor构造 2.1.1 torch.from_numpy构造 - 维度任意 2.1.2 使用数组直接构造 - 维度任意 2.1.3torch.eye构造 - 多维 2.1.4torch.linspace构造 - 一维 2.1.5torch.logspace 构造- 一维 2.1.6torch.ones构造 - 多维 2.1.7torch.zeros构造 - 多...

torch-1.0.0

06-01

Torch是Python编程语言中广泛...综上所述，Torch 1.0.0是一个功能强大且易于使用的深度学习框架，它在自动求导、Tensor操作、模型构建、训练和部署等方面都有显著提升，是开发人员进行深度学习研究和应用的有力工具。

1_1torch基础知识

fireflychh的博客

05-08

632

一般参数情况下有学习参数使用nn.Module，其他情况用nn.functional相对更简单一些。其中先看官网安装torch需要的cuda版本，之后安装cuda版本，之后采用pip 下载对应的torch的gpu版本whl来进行安装。6、加载预训练模型，torchvision中有很多经典网络架构，调用起来十分方便，并且可用人家训练好的权重参数来继续训练，也就是所谓的迁移学习。需要注意的是别人训练好的任务跟咱们得可不是完全一样，需要把最后head层改一改，一般也就是最后的全连接层，改成咱们自己的任务；

Torch对数组的基本运算和操作

limingxin007的博客

12-11

3069

0. 前提 import torch ## 使用阿里镜像安装torch # pip install -i https://mirrors.aliyun.com/pypi/simple/ torch 1. 创建数组按顺序创建张量(tensor) x = torch.arange(12) 结果：tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]) 自定义创建tensor torch.tensor([[1,2,3,4],[1,2,5,7

PyTorch的基本操作

2503_90237586的博客

05-21

501

本文提供了PyTorch的全套学习资料，包括教程讲义、源码和100G的人工智能学习资源，涵盖数学、Python编程、深度学习、机器学习、计算机视觉、自然语言处理和大模型等领域。文章详细介绍了PyTorch的基础操作，如张量的创建、数学运算、形状操作，以及自动求导、神经网络模块、优化器与训练流程、数据加载与GPU加速等高级功能。通过这些内容，读者可以从零基础入门到进阶，全面掌握PyTorch的使用。

pytorch基本操作

jialibang的博客

05-11

611

官方手册Learning PyTorch with Examples的翻译： https://blog.youkuaiyun.com/tsq292978891/article/details/79380000pytorch反向求导更新网络参数： https://blog.youkuaiyun.com/tsq292978891/article/details/79333707定义torch.autograd.Functio...

Pytorch入门之基本操作

qq_30883339的博客

01-15

1680

Pytorch入门之基本操作 继TensorFlow、keras之后，开始学习新的深度学习框架——Pytorch。整理只是为了方便以后查找。学习内容来自一个印度小哥哥写的一个在GitHub上的深度学习教程，附上学习链接。整理人：陈振庭 qq：956598250 Tensor basics import numpy as np import torch 产生一个0张量： x = torch.T...

torch简单网络必备操作

weixin_49930986的博客

07-06

1475

最近学习人工智能神经网络方面的东西，苦于优快云上找的资料太碎了，因此整理一下一篇文章后续使用。导入数据，定义神经网络、训练、输出loss图、accuracy图，保存模型，读取模型，测试模型pytorch的数据读取 pytorch数据读取的核心是torch.utils.data.DataLoader类。即如果使用pytorch构建神经网络时，那么DNN中传入的数据类型就是DataLoader类。在实际计算中，数据量很大，考虑到内存有限，且IO速度很慢，因此不能一次性的将其全部加载到内存中，也不能只用一个线程

Pytorch相关操作

weixin_40565876的博客

05-16

199

Pytorch下的张量操作 Tensors与NumPy中的 ndarrays类似，下面实现一些简单的操作,首先导入相应的包 from __future__ import print_function import torch 张量构造一个5X3的矩阵 x=torch.empty(5,3) print(x) 输出： tensor([[9.1837e-39, 4.6837e-39, 9.2755...

Torch学习笔记—数据基本操作

Blog Life

03-31

915

知乎参考：https://zhuanlan.zhihu.com/p/36233589

动手学深度学习（三）——torch操作（详细整理文档）

Liu Feng's Blog

08-17

4351

非常详细的一个文档，学习pytorch可以详细研究一下： http://www.feiguyunai.com/index.php/2019/09/11/pytorch-char02/#23_Jupyter_Notebook 对一些比较重要的功能和知识点进行复现：一、创建tensor张量例子： # 根据list数据生成tensor torch.Tensor([1,2,3,4,5,6]) #根据指定形状生成tensor torch.Tensor(2,3) #根据给定的形状生成torch t = torch.

PyTorch的Tensor相关函数/操作

Loy Fan

01-01

564

view 改变张量的形状，相当于numpy的reshape。 >>> a.shape torch.Size([3, 2, 2]) >>> a.view(3,4).shape torch.Size([3, 4]) permute 给张量的维度换位置，期中的参数就是原来的维度的编号。 >>> a.shape torch.Size([3, 2, 2...

torch tensor操作

03-13

### PyTorch Tensor 操作使用指南 #### 创建 Tensors 创建 tensors 是使用 PyTorch 的基础。可以利用 Python 列表或者 NumPy 数组来初始化 tensors。 ```python import torch # 从列表创建 tensor data = [[1, 2], [3, 4]] tensor_from_list = torch.tensor(data) print(tensor_from_list) ``` 为了验证特定数值的 tensors 是否能成功创建，可以通过指定数据类型或设备（CPU 或 GPU）来进行测试[^2]。 #### 基本操作 执行诸如加法、乘法等算术运算非常直观： ```python x = torch.tensor([1., 2.]) y = torch.tensor([3., 4.]) addition_result = x + y multiplication_result = x * y print(addition_result) # 输出: tensor([4., 6.]) print(multiplication_result) # 输出: tensor([3., 8.]) ``` #### 形状变换调整张量形状对于适应不同层之间的输入输出至关重要。`view()` 和 `reshape()` 方法允许重新排列元素而不改变其内容；而 `unsqueeze()`, `squeeze()` 可用于增加或移除维度大小为一的轴[^4]。 ```python original_tensor = torch.randn(2, 3) reshaped_tensor = original_tensor.view(-1) # 将所有元素展平成一维向量 single_dim_removed = reshaped_tensor.unsqueeze(0) # 添加新维度作为第零维 reduced_dimensionality = single_dim_removed.squeeze() print(f"Original shape: {original_tensor.shape}") print(f"After view(): {reshaped_tensor.shape}") print(f"After unsqueeze(): {single_dim_removed.shape}") print(f"After squeeze(): {reduced_dimensionality.shape}") ``` #### 多 GPU 训练支持当涉及到大规模模型或多节点分布式计算环境时，TensorParallel 提供了一种简便的方法自动分割模型到多个 GPU 上进行训练和推理工作[^1]。 ```python from tensor_parallel import enable_model_parallelism model = MyModel() enable_model_parallelism(model=model, device_ids=[0, 1]) # 启用两个GPU上的并行处理 ```