正如我们知道的,PyTorch在方便地定义神经网络方面受到了深度学习世界的欢迎。神经网络基本上是基于传感器结构的,而PyTorch也是围绕传感器构建的。这通常会在性能上获得显著提升。张量模糊地是矩阵的概括。

2-1.png

1D-张量类似于1D-矩阵。在一维张量中,只有一行和一列,这被称为向量。还有零维张量,也称为标量。

现在我们将讨论在张量上执行的操作。

我们也可以使用Google Colab编写Tensor的代码。访问Google Colab非常简单。对于Google Colab,无需设置。它完全在云上运行。

2-2.png

Google Colab类似于Jupyter Notebook。当使用Google Colab时,许多软件包会为我们预先安装。不幸的是,torch不是其中之一,因此我们首先必须使用!pip3 install torch命令安装torch。

现在,我们将对一维Tensor执行操作。

创建一维Tensor

要创建一维Tensor,我们使用torch库的tensor属性。要创建张量,我们使用torch.tensor()方法。

创建一维张量的语法如下:

n= torch.tensor([Tensor elements])  

这里,n是张量类型的变量,张量元素可以是任何整数或浮点数,后面跟着(,)。

示例

import torch  
n=torch.tensor([1,2,3,4])  
print(n)

输出:

tensor([1, 2, 3, 4])

2-3.png

检查Tensor中元素的数据类型

我们可以检查Tensor中包含的元素的数据类型。我们使用Tensor的dtype()来找到数据类型。

示例

import torch  
n=torch.tensor ([1.0, 2.0, 3.0])  
print (n.dtype)  

输出:

torch.float32

2-4.png

访问Tensor的元素

我们可以使用元素的索引来访问Tensor的元素。如果我们想打印Tensor的所有元素,那么我们可以打印张量变量。与一维矩阵索引类似,Tensor索引也从0开始。

示例

import torch  
n=torch.tensor([1.0, 2.0, 3.0])  
print(n[2])   

输出:

tensor(3.)

2-5.png

访问指定范围的Tensor元素

通过传递元素的起始索引或结束索引,访问指定范围的元素非常简单。它将跳过起始索引元素并打印到结束索引的元素。

示例

import torch  
n=torch.tensor([1.0, 2.0, 3.0])  
print(n[0:2])   

输出:

tensor (2.0,3.0)

2-6.png

我们有另一个示例,通过跳过我们初始化的起始索引来打印所有元素。

示例

import torch  
n=torch.tensor ([1.0, 2.0, 3.0])  
print(n[0:])  

输出:

tensor (2.0,3.0)

2-7.png

使用整数元素创建浮点Tensor

我们可以使用整数元素创建浮点Tensor。在这种情况下,使用torch的FloatTensor属性。

示例

import torch  
n=torch.FloatTensor([1,2,3,4,5,6,7])  
print(n)  

输出:

tensor([1., 2., 3., 4., 5., 6., 7.])

2-8.png

查找Tensor的大小

与一维矩阵一样,我们也可以找到Tensor的大小。我们使用Tensor的size()方法来获取大小。

示例

import torch  
n=torch.FloatTensor([1,2,3,4,5,6,7])  
print(n.size())  

输出:

torch.Size([7])

2-9.png

更改Tensor的视图

Tensor具有的属性是我们可以更改Tensor的视图。更改视图意味着如果一个张量是一维的(一行一列),我们想将其视图更改为六行一列。可以使用Tensor的view()来进行更改。这类似于数组的reshape()。

示例

import torch  
n=torch.FloatTensor([1,2,3,4,5,6])  
print(n)  
n.view(6,1)     

输出:

tensor ([1., 2., 3., 4., 5., 6.])
tensor([[1.],
        [2.],
        [3.],
        [4.],
        [5.],
        [6.]])

注意:我们也可以使用其他维度,如(3, 2),但它应与我们原始的张量元素兼容。

2-10.png

使用numpy数组创建Tensor

我们还可以使用numpy数组创建Tensor。我们必须使用torch的from_numpy()将numpy数组转换为Tensor的方法。为此,我们首先必须初始化numpy,然后创建numpy数组。

示例

import torch  
import numpy as np  
a=np.array([1,2,3,4,5,6])  
tensorcon=torch.from_numpy(a)  
print(tensorcon)  
print(tensorcon.type())  

输出:

tensor([1, 2, 3, 4, 5, 6])
torch.LongTensor

2-11.png

标签: markdown, Markdown语法, Markdown教程, Markdown下载, Markdown指南, Markdown编辑器, Markdown学习指南, Markdown学习, Markdown入门, Markdown语言, Markdown基础教程, Markdown基础