【PyTorch】张量(Tensor)的生成
PyTorch深度学习总结
第一章 Pytorch中张量(Tensor)的生成
文章目录
- PyTorch深度学习总结
- 一、什么是PyTorch?
- 二、张量(Tensor)
- 1、张量的数据类型
- 2、张量生成和信息获取
- 总结
一、什么是PyTorch?
PyTorch
是一个开源的深度学习框架,基于Python语言。它由Facebook的人工智能研究团队于2016年开发并发布。
PyTorch
提供了一种灵活的、动态的计算图模型,使得开发者可以方便地构建和训练神经网络模型。PyTorch
采用了动态图
的方式,即在运行时才构建计算图,这与静态图的框架相比具有更大的灵活性和易用性。开发者可以使用Python的控制流语句
和标准库函数
来定义和操作计算图,这使得模型的编写和调试变得更加简单和直观。
PyTorch
还提供了丰富的工具和库,用于大规模训练和部署深度学习模型。其中包括数据加载和预处理
、模型定义
、优化算法
、可视化
等功能。
此外,PyTorch
还与许多其他常用的Python库和工具集成,如NumPy
、SciPy
和Jupyter Notebook
。
总之,
PyTorch
是一个强大而灵活的深度学习框架,它在易用性、灵活性和性能方面都具有优势,使得开发者可以更加自由地进行深度学习模型的设计、训练和部署。
二、张量(Tensor)
张量
是一种数学对象,可以用来表示多维数组
或多维矩阵
。
张量
在深度学习和神经网络中也被广泛应用,用于表示和处理大规模数据集。
1、张量的数据类型
在torch中CPU和GPU张量分别有8种数据类型:
数据类型 | Dtype | CPU Tensor | GPU Tensor |
---|---|---|---|
32位浮点型 | Torch.float或torch.float32 | torch.FloatTensor | torch.cuda.FloatTensor |
64位浮点型 | Torch.double或torch.float64 | torch.DoubleTensor | torch.cuda.DoubleTensor |
16位浮点型 | Torch.half 或torch.float16 | torch.HalfTensor | torch.cuda.HalfTensor |
8位无符号整型 | Torch.uint8 | torch.ByteTensor | torch.cuda.ByteTensor |
8位有符号整型 | Torch.int8 | torch.CharTensor | torch.cuda.CharTensor |
16位有符号整型 | Torch.short 或Torch.int16 | torch.ShortTensor | torch.cuda.ShortTensor |
32位有符号整型 | Torch.int或Torch.int32 | torch.IntTensor | torch.cuda.IntTensor |
64位有符号整型 | Torch.long 或Torch.int64 | torch.LongTensor | torch.cuda.LongTensor |
Torch
中默认数据类型为:torch.FloatTensor
和torch.int64
如果要修改默认数据类型可以使用函数:
torch.set_default_tensor_type()
(注:此函数只有torch.DoubleTensor
和torch.FloatTensor
两个参数)
①自动生成情况分析:
# 引入库 import torch# 创建张量 a = torch.tensor([1, 2]) # 均为整数 print(a.dtype)
输出结果为:torch.int64
# 引入库 import torch# 创建张量 a = torch.tensor([1.2, 2]) # 涉及到小数 print(a.dtype)
输出结果为:torch.float32
②修改后情况分析:
# 引入库 import torch# 创建张量 torch.set_default_tensor_type(torch.DoubleTensor) a = torch.tensor([1, 2]) print(a.dtype)
输出结果为:torch.int64
# 引入库 import torch# 创建张量 torch.set_default_tensor_type(torch.DoubleTensor) a = torch.tensor([1.2, 2]) print(a.dtype)
输出结果为:torch.float64
2、张量生成和信息获取
①张量生成:
A = torch.tensor([[1, 1], [2, 2]])
在深度学习
中需要对梯度
大小进行更新,所以需要计算梯度,需注意只有浮点型数据
才可以计算梯度。
B = torch.tensor([[1, 1], [2, 2]], dtype=torch.float32, >requires_grad=True)
输出结果为:tensor([[1., 1.],[2., 2.]], dtype=torch.float32, requires_grad=True)
其中dtype
设置数据类型,requires_grad
设置是否需要计算梯度。
函数 | 描述 |
---|---|
torch.zeros(3, 3) | 3*3的全0张量 |
torch.ones(3, 3) | 3*3的全1张量 |
torch.eye(3, 3) | 3*3的单位张量 |
torch.full((3, 3) , full_value=0.25) | 3*3使用0.25填充的张量 |
torch.empty(3, 3) | 3*3的空张量 |
torch.rand(3, 3) | 3*3的随机张量 |
torch.ones_like(A) | 与A大小相同的全1张量 |
torch.zeros_like(A) | 与A大小相同的全0张量 |
torch.rand_like(A) | 与A大小相同的随机张量 |
torch.ones_like(A) | 与A大小相同的全1张量 |
torch.arange(start=0, end=2, step=1) | tensor([0, 1]) |
②张量信息获取:
获取张量维度:
# 获取张量维度 A_shape = A.shape print(A_shape)
输出结果为:torch.Size([2, 2])
获取张量大小:
# 获取张量维度 A_size = A.size() print(A_size)
输出结果为:torch.Size([2, 2])
获取张量中包含元素数量:
# 获取张量中包含元素数量 A_number = A.numel() print(A_number)
输出结果为:4
总结
张量
在深度学习中起着重要的作用。在深度学习中,数据通常以张量
的形式表示。
张量的数值
存储了模型的参数值
和数据的特征表示
,通过对张量进行运算和优化,可以使模型逐渐学习到更好的特征表示和参数。
张量
的计算和变换是深度学习的核心操作
,它们的高效实现对于深度学习算法的训练和推理过程至关重要
。
相关文章:
【PyTorch】张量(Tensor)的生成
PyTorch深度学习总结 第一章 Pytorch中张量(Tensor)的生成 文章目录 PyTorch深度学习总结一、什么是PyTorch?二、张量(Tensor)1、张量的数据类型2、张量生成和信息获取 总结 一、什么是PyTorch? PyTorch是一个开源的深度学习框架,基于Python…...

【5G NR】【一文读懂系列】移动通讯中使用的信道编解码技术-Viterbi译码原理
目录 一、引言 二、Viterbi译码的基本原理 2.1 卷积码与网格图 2.2 Viterbi算法的核心思想 2.3 路径度量与状态转移 三、Viterbi译码算法工作原理详解 3.1 算法流程 3.2 关键步骤 3.3 译码算法举例 3.4 性能特点 四、Viterbi译码的应用场景 4.1 移动通信系统 4.2 卫…...
矩阵在计算机图像处理中的应用
矩阵在计算机图像处理中是非常核心的概念,因为它们为表示和操作图像数据提供了一种非常方便和强大的方式。以下是矩阵在计算机图像处理中的一些关键作用: 图像表示:在计算机中,图像通常被表示为像素矩阵,也就是二维数组…...

Java实现教学资源共享平台 JAVA+Vue+SpringBoot+MySQL
目录 一、摘要1.1 项目介绍1.2 项目录屏 二、功能模块2.1 数据中心模块2.2 课程档案模块2.3 课程资源模块2.4 课程作业模块2.5 课程评价模块 三、系统设计3.1 用例设计3.2 类图设计3.3 数据库设计3.3.1 课程档案表3.3.2 课程资源表3.3.3 课程作业表3.3.4 课程评价表 四、系统展…...
Spring Boot(六十五):使用 ant.jar 执行 SQL 脚本文件
ant用处,主要用在编译java文件,打包,部署。打包:jar,war,ear包等。ant在项目中有很重要的作用。今天我们讲解它的另一个作用:执行 SQL 脚本文件。 1 引入依赖 <dependency><groupId>org.apache.ant</groupId><artifactId>ant</artifactId&g…...

161基于matlab的快速谱峭度方法
基于matlab的快速谱峭度方法,选择信号峭度最大的频段进行滤波,对滤波好信号进行包络谱分析。输出快速谱峭度及包络谱结果。程序已调通,可直接运行。 161 信号处理 快速谱峭度 包络谱分析 (xiaohongshu.com)...

CTFshow-WEB入门-信息搜集
web1(查看注释1) wp 右键查看源代码即可找到flag web2(查看注释2) wp 【CtrlU】快捷键查看源代码即可找到flag web3(抓包与重发包) wp 抓包后重新发包,在响应包中找到flag web4(robo…...
django密码管理器(创建项目)
目录 创建项目 安装django 创建项目(django-admin) 创建管理员用户 创建数据库 创建项目 新建一个项目文件夹,如"密码管理器" 安装django 要先安装pip,pip安装地址:pypi.org、pypi.python.org、cheeseshop.python.org pip install django 创建项…...
Centos7之Oracle12c安装与远程连接配置
Centos7之Oracle12c安装与远程连接配置 文章目录 Centos7之Oracle12c安装与远程连接配置1.Oracle官网2. Centos7中安装Oracle12c(12.2.0.1.0)2.1 Introduction (介绍)2.2 Prerequisites(先决条件)2.3 Installation Steps(安装步骤)2.4 Oracle Installer Screens(Oracle安装程序…...

CVE-2022-25578 漏洞复现
CVE-2022-25578 路由/admin/admin.php是后台,登录账号和密码默认是admin、tao,选择文件管理。 是否还记得文件上传中的.htaccess配置文件绕过发,在这个文件中加入一句AddType application/x-httpd-php .jpg,将所有jpg文件当作php…...
Ubuntu22.04安装黑屏(进入U盘安装引导时 和 安装完成后)
一:进入U盘安转引导时黑屏 问题描述:选择’try or install ubuntu’,开始安装,出现黑屏。 解决方法:(可行) 安装时,先选择" try or install ubuntu", 此时不要按enter&a…...

一、DataX简介
DataX简介 一、什么是DataX二、DataX设计三、支持的数据源四、框架设计五、运行原理六、DataX和Sqoop对比 一、什么是DataX DataX是阿里巴巴开源的一个异构数据源离线同步工具,致力于实现包括关系型数据库(MySQL、Oracle等)、HDFS、Hive、OD…...

直播app开发,技术驱动的实时互动新纪元
随着互联网技术的快速发展,直播已成为我们日常生活的重要组成部分。从娱乐、教育到商业活动,直播的广泛应用正在改变着我们的生活和工作方式。在这一变革中,直播开发扮演着至关重要的角色。本文将探讨直播开发的核心理念、技术挑战以及未来的…...
Apache POI的介绍以及使用示例
Apache POI 是一套开源的 Java 库,用于读取和写入 Microsoft Office 文档格式,如 Excel、Word 和 PowerPoint。Spring Boot 是一个流行的 Java 应用程序框架,用于简化 Spring 应用的开发和部署。将 Apache POI 与 Spring Boot 结合使用&#…...

npm config set registry https://registry.npm.taobao.org 这个设置了默认的镜像源之后如何恢复默认的镜像源
要恢复npm默认的镜像源,你可以使用以下命令将registry设置回npm的官方源: npm config set registry https://registry.npmjs.org/这个命令会修改你的全局npm配置,将包的下载源改回npm官方的源。这样做之后,任何后续的npm install…...

算法沉淀——位运算(leetcode真题剖析)
算法沉淀——位运算 常用位运算总结1.基础位运算2.确定一个数中第x位是0还是13.将一个数的第x位改成14.将一个数的第x位改成05.位图6.提取一个数最右边的17.删掉一个数最右边的18.异或运算9.基础例题 力扣题目讲解01.面试题 01.01. 判定字符是否唯一02.丢失的数字03.两整数之和…...

React18原理: 再聊Fiber架构下的时间分片
时间分片 react的任务可以被打断,其实就是基于时间分片的人眼最高能识别的帧数不超过30帧,电影的帧数差不多是在24浏览器的帧率一般来说是60帧,也就是每秒60个画面, 平均一个画面大概是16.5毫秒左右浏览器正常的工作流程是运算渲染ÿ…...

【玩转408数据结构】线性表——线性表的顺序表示(顺序表)
知识回顾 通过前文,我们了解到线性表是具有相同数据类型的有限个数据元素序列;并且,线性表只是一种逻辑结构,其不同存储形式所展现出的也略有不同,那么今天我们来了解一下线性表的顺序存储——顺序表。 顺序表的定义 …...

图像处理之《黑盒扰动的可逆噪声流鲁棒水印》论文阅读
一、文章摘要 近年来,基于深度学习的数字水印框架得到了广泛的研究。现有的方法大多采用基于“编码器-噪声层-解码器”的架构,其中嵌入和提取过程分别由编码器和解码器完成。然而,这种框架的一个潜在缺点是编码器和解码器可能不能很好地耦合…...

一个Vivado仿真问题的debug
我最近在看Synopsys的MPHY仿真代码,想以此为参考写个能实现PWM-G1功能的MPHY,并应用于ProFPGA原型验证平台。我从中抽取了一部分代码,用Vivado自带的仿真器进行仿真,然后就遇到了一个莫名其妙的问题,谨以此文作为debug…...

如何在看板中体现优先级变化
在看板中有效体现优先级变化的关键措施包括:采用颜色或标签标识优先级、设置任务排序规则、使用独立的优先级列或泳道、结合自动化规则同步优先级变化、建立定期的优先级审查流程。其中,设置任务排序规则尤其重要,因为它让看板视觉上直观地体…...
【位运算】消失的两个数字(hard)
消失的两个数字(hard) 题⽬描述:解法(位运算):Java 算法代码:更简便代码 题⽬链接:⾯试题 17.19. 消失的两个数字 题⽬描述: 给定⼀个数组,包含从 1 到 N 所有…...
1688商品列表API与其他数据源的对接思路
将1688商品列表API与其他数据源对接时,需结合业务场景设计数据流转链路,重点关注数据格式兼容性、接口调用频率控制及数据一致性维护。以下是具体对接思路及关键技术点: 一、核心对接场景与目标 商品数据同步 场景:将1688商品信息…...
连锁超市冷库节能解决方案:如何实现超市降本增效
在连锁超市冷库运营中,高能耗、设备损耗快、人工管理低效等问题长期困扰企业。御控冷库节能解决方案通过智能控制化霜、按需化霜、实时监控、故障诊断、自动预警、远程控制开关六大核心技术,实现年省电费15%-60%,且不改动原有装备、安装快捷、…...

React19源码系列之 事件插件系统
事件类别 事件类型 定义 文档 Event Event 接口表示在 EventTarget 上出现的事件。 Event - Web API | MDN UIEvent UIEvent 接口表示简单的用户界面事件。 UIEvent - Web API | MDN KeyboardEvent KeyboardEvent 对象描述了用户与键盘的交互。 KeyboardEvent - Web…...

2025盘古石杯决赛【手机取证】
前言 第三届盘古石杯国际电子数据取证大赛决赛 最后一题没有解出来,实在找不到,希望有大佬教一下我。 还有就会议时间,我感觉不是图片时间,因为在电脑看到是其他时间用老会议系统开的会。 手机取证 1、分析鸿蒙手机检材&#x…...
在鸿蒙HarmonyOS 5中使用DevEco Studio实现录音机应用
1. 项目配置与权限设置 1.1 配置module.json5 {"module": {"requestPermissions": [{"name": "ohos.permission.MICROPHONE","reason": "录音需要麦克风权限"},{"name": "ohos.permission.WRITE…...

QT: `long long` 类型转换为 `QString` 2025.6.5
在 Qt 中,将 long long 类型转换为 QString 可以通过以下两种常用方法实现: 方法 1:使用 QString::number() 直接调用 QString 的静态方法 number(),将数值转换为字符串: long long value 1234567890123456789LL; …...
浅谈不同二分算法的查找情况
二分算法原理比较简单,但是实际的算法模板却有很多,这一切都源于二分查找问题中的复杂情况和二分算法的边界处理,以下是博主对一些二分算法查找的情况分析。 需要说明的是,以下二分算法都是基于有序序列为升序有序的情况…...
基于Java Swing的电子通讯录设计与实现:附系统托盘功能代码详解
JAVASQL电子通讯录带系统托盘 一、系统概述 本电子通讯录系统采用Java Swing开发桌面应用,结合SQLite数据库实现联系人管理功能,并集成系统托盘功能提升用户体验。系统支持联系人的增删改查、分组管理、搜索过滤等功能,同时可以最小化到系统…...