目录
1 什么是张量?2 Pytorch数据类型与转化3 张量Tensor的创建3.1 类型创建3.2 序列转换3.3 0/1张量3.4 对角张量3.5 正态张量3.6 随机向量3.7 线性张量
4 张量Tensor的索引4.1 下标索引4.2 条件索引4.3 附加控制索引
1 什么是张量?
张量(Tensor)是多维数组结构,在人工智能领域应用广泛,例如输入彩色图片即是3维张量——RGB三维且每维都是二维平面像素矩阵。
下面这张表直观地总结了张量的形式,这张表可以解决大部分的张量理解问题
维数图例名称0标量1向量2矩阵3三阶张量
N
N
N
N
N
N阶张量
2 Pytorch数据类型与转化
数据类型CPU TensorGPU Tensor32位浮点torch.FloatTensortorch.cuda.FloatTensor64位浮点torch.DoubleTensortorch.cuda.DoubleTensor16位半精度浮点N/Atorch.cuda.HalfTensor8位无符号整型torch.ByteTensortorch.cuda.ByteTensor8位有符号整型torch.CharTensortorch.cuda.CharTensor16位有符号整型torch.ShortTensortorch.cuda.ShortTensor32位有符号整型torch.IntTensortorch.cuda.IntTensor64位有符号整型torch.LongTensortorch.cuda.LongTensor
Pytorch中Tensor数据类型的转换可以使用
显式的type(new_type)隐式的type_as(var)
举例如下:
a = torch.Tensor(2, 2)
b = a.type(torch.DoubleTensor)
c = a.type_as(b)
>> a: tensor([[0.0000e+00, 0.0000e+00],
[8.4078e-45, 0.0000e+00]])
>> b: tensor([[0.0000e+00, 0.0000e+00],
[8.4078e-45, 0.0000e+00]], dtype=torch.float64)
>> c: tensor([[0.0000e+00, 0.0000e+00],
[8.4078e-45, 0.0000e+00]], dtype=torch.float64)
3 张量Tensor的创建
张量Tensor主要的创建方法如下所示。
3.1 类型创建
创建方法
torch.Tensor()torch.DoubleTensor()…
实例
b = torch.cuda.DoubleTensor(2,2)
>> b: tensor([[0., 0.],
[0., 0.]], device='cuda:0', dtype=torch.float64)
3.2 序列转换
创建方法
torch.Tensor(list)torch.Tensor(narray)
实例
a = torch.DoubleTensor([[1, 2],[3, 4]])
>> a: tensor([[1., 2.],
[3., 4.]], dtype=torch.float64)
3.3 0/1张量
创建方法
torch.zeros()torch.ones()
实例
a = torch.ones(2,2)
>> a: tensor([[1., 1.],
[1., 1.]])
3.4 对角张量
创建方法
torch.eye()
实例
a = torch.eye(2,2)
>> a: tensor([[1., 0.],
[0., 1.]])
3.5 正态张量
创建方法
torch.randn()
实例
a = torch.randn(2,2)
>> a: tensor([[-0.0451, -0.1602],
[-0.1116, 0.8266]])
3.6 随机向量
创建方法
torch.randperm(n):将0~n-1的整数随机排列成向量
实例
a = torch.randperm(3)
>> a: tensor([2, 0, 1])
3.7 线性张量
创建方法
torch.arrange(s,e,step):生成从s到e间隔step的向量torch.linspace(s,e,num):生成从s到e共num的均匀向量
实例
a = torch.arange(1,8,3)
>> tensor([1, 4, 7])
b = torch.linspace(1,8,3)
>> tensor([1.0000, 4.5000, 8.0000])
4 张量Tensor的索引
对于一个给定Tensor,可通过Tensor的shape属性或size()方法查看其维度,通过numel()方法查看元素总数
a = torch.eye(3,3)
print("shape维度", a.shape)
print("size维度", a.size())
print("numel元素个数", a.numel())
>> shape维度 torch.Size([3, 3])
>> size维度 torch.Size([3, 3])
>> numel元素个数 9
Tensor维度按从左到右顺序分配dim索引号如下,新增维度的dim索引号总为0
具体的索引方式如下,设a=torch.Tensor([[0,1],[2,3]]))
4.1 下标索引
索引方法
tensor[num]
实例
a[1]
>> tensor([2., 3.])
a[0,1]
>> tensor(1.)
4.2 条件索引
索引方法
tensor>0:符合条件为Truetensor[tensor>0]:取出符合条件的元素torch.nonzero(tensor):取出非零元素坐标
实例
a>0
>> tensor([[False, True],
[ True, True]])
a[a>0]
>> tensor([1., 2., 3.])
torch.nonzero(a)
>> tensor([[0, 1],
[1, 0],
[1, 1]])
4.3 附加控制索引
索引方法
torch.where(condition,x,y):两个同型张量x、y,符合条件输出x相应位置元素,否则输出ytensor.clamp(min,max):限制元素极值
实例
torch.where(a > 1, torch.full_like(a, 1), a)
>> tensor([[0., 1.],
[1., 1.]])
a.clamp(1,2)
>> tensor([[1., 1.],
[2., 2.]])
更多精彩专栏:
《ROS从入门到精通》《Pytorch深度学习实战》《机器学习强基计划》《运动规划实战精讲》…
源码获取 · 技术交流 · 抱团学习 · 咨询分享 请联系
发表评论