Python深度學習之Pytorch初步使用

一、Tensor

Tensor(張量是一個統稱，其中包括很多類型)：

0階張量：標量、常數、0-D Tensor；1階張量：向量、1-D Tensor；2階張量：矩陣、2-D Tensor；……

二、Pytorch如何創建張量

2.1 創建張量

import torch
	
	t = torch.Tensor([1, 2, 3])
	print(t)

2.2 tensor與ndarray的關系

兩者之間可以相互轉化

import torch
import numpy as np

t1 = np.array(torch.Tensor([[1, 2, 3],
        [1, 2, 3]]))
t2 = torch.Tensor(np.array([[1, 2, 3],
        [1, 2, 3]]))

運行結果：

2.3 常用api

torch.empty(x,y)

創建x行y列為空的tensor。

torch.ones([x, y])

創建x行y列全為1的tensor。

torch.zeros([x,y])

創建x行y列全為0的temsor。

zeros與empty的區別

後者的數據類型是不固定的。

torch.rand(x, y)

創建3行4列的隨機數，隨機數是0-1。

torch.randint(low, high, size)

創建一個size的tensor，隨機數為low到high之間。

torch.randn([x, y])

創建一個x行y列的tensor，隨機數的分佈式均值為0，方差1。

2.4 常用方法

item()：

獲取tensor中的元素，註意隻有一個元素的時候才可以用。

numpy()：

轉化成ndarray類型。

size()

獲取tensor的形狀。

view()

淺拷貝，tensor的形狀改變。

可以傳參，表示獲取第幾個。若參數為-1，表示不確定，與另一個參數的乘積等於原始形狀的乘積。 例如：原始形狀為8，則view(-1,2) ⇒ view(4, 2)； 參數隻有-1，表示一維。

dim()

獲取維度。

max()

獲取最大值。

t()

轉置。

transpose(x,y)

x，y是size裡面返回的形狀相換。

permute()

傳入size()返回的形狀的順序。

transpose與permute的區別

前者傳入列即可相互交換；後者傳入列會根據傳入的順序來進行轉化，且需要傳入所有列數的索引。

取值[第一階, 第二階,……]

一個逗號隔開代表一個階乘冒號代表全取

賦值[第一階, 第二階,……]

直接賦值即可

三、數據類型

3.1 獲取數據類型

tensor.dtype

獲取數據類型

設置數據類型

註意使用Tensor()不能指定數據類型。

type()

修改數據類型。

四、tensor的其他操作

4.1 相加

torch.add(x, y)

將x和y相加。

直接相加

tensor.add()

使用add_() 可相加後直接保存在tensor中

4.2 tensor與數字的操作

tensor + 數值

五、CUDA中的tensor

CUDA (Compute Unified Device Architecture)，是NVIDIA推出的運算平臺。CUDATM是一種由NVIDIA推出的通用並行計算架構，該架構使GPU能夠解決復雜的計算問題。
torch.cuda這個模塊增加瞭對CUDA tensor的支持，能夠在cpu和gpu上使用相同的方法操作tensor通過.to方法能夠把一個tensor轉移到另外一個設備(比如從CPU轉到GPU)

可以使用torch.cuda.is_available()判斷電腦是否支持GPU

到此這篇關於Python深度學習之Pytorch初步使用的文章就介紹到這瞭,更多相關Pytorch初步使用內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：

• PyTorch中Tensor和tensor的區別及說明
• pytorch教程之Tensor的值及操作使用學習
• 人工智能學習Pytorch教程Tensor基本操作示例詳解
• PyTorch中的CUDA的操作方法
• pytorch tensor計算三通道均值方式