扫码关注官方微信

扫码下载APP
返回顶部
首页 > 资讯 > 后端开发 > Python >python机器学习pytorch 张量基础教程
  • 433

0
分享到

python机器学习pytorch 张量基础教程

2024-04-02 19:04:59 433人浏览 独家记忆

Python 官方文档：入门教程 => 点击学习

摘要

目录正文1.初始化张量1.1 直接从列表数据初始化1.2 用 NumPy 数组初始化1.3 从另一个张量初始化1.4 使用随机值或常量值初始化2.张量的属性3.张量运算3.1 标准的

正文

张量是一种特殊的数据结构，与数组和矩阵非常相似。在 PyTorch 中，我们使用张量对模型的输入和输出以及模型的参数进行编码。

张量类似于NumPy 的ndarray，除了张量可以在 GPU 或其他硬件加速器上运行。事实上，张量和 NumPy 数组通常可以共享相同的底层内存，从而无需复制数据（请参阅Bridge with NumPy）。张量也针对自动微分进行了优化（我们将在稍后的Autograd 部分中看到更多相关内容）。如果您熟悉 ndarrays，那么您对 Tensor api 会很快熟悉。

# 导入需要的包
import torch
import numpy as np

1.初始化张量

张量可以以各种方式初始化。请看以下示例：

1.1 直接从列表数据初始化

张量可以直接从列表数据中创建。数据类型是自动推断的。

# 创建python list 数据
data = [[1, 2],[3, 4]]
# 初始化张量
x_data = torch.tensor(data)

1.2 用 NumPy 数组初始化

张量可以从 NumPy 数组创建（反之亦然 - 请参阅Bridge with NumPy）。

# 创建numpy 数组
np_array = np.array(data)
# from_numpy初始化张量
x_np = torch.from_numpy(np_array)

1.3 从另一个张量初始化

新张量保留原张量的属性（形状shape、数据类型datatype），除非显式覆盖。

# 创建和x_data （形状shape、数据类型datatype）一样的张量并全部初始化为1
x_ones = torch.ones_like(x_data) # retains the properties of x_data
print(f"Ones Tensor: \n {x_ones} \n")
# 创建和x_data （形状shape）一样的张量并随机初始化，覆盖其数据类型datatype 为torch.float
x_rand = torch.rand_like(x_data, dtype=torch.float) # overrides the datatype of x_data
print(f"Random Tensor: \n {x_rand} \n")

Ones Tensor:
 tensor([[1, 1],
        [1, 1]])
Random Tensor:
 tensor([[0.5001, 0.2973],
        [0.8085, 0.9395]])

1.4 使用随机值或常量值初始化

shape是张量维度的元组。在下面的函数中，它决定了输出张量的维度。

# 定义形状元组
shape = (2,3,)
# 随机初始化
rand_tensor = torch.rand(shape)
# 全部初始化为1
ones_tensor = torch.ones(shape)
# 全部初始化为0
zeros_tensor = torch.zeros(shape)
print(f"Random Tensor: \n {rand_tensor} \n")
print(f"Ones Tensor: \n {ones_tensor} \n")
print(f"Zeros Tensor: \n {zeros_tensor}")

Random Tensor:
 tensor([[0.0032, 0.5302, 0.2832],
        [0.0826, 0.3679, 0.8727]])
Ones Tensor:
 tensor([[1., 1., 1.],
        [1., 1., 1.]])
Zeros Tensor:
 tensor([[0., 0., 0.],
        [0., 0., 0.]])

2.张量的属性

张量属性描述了它们的形状Shape、数据类型Datatype和存储它们的设备Device。

tensor = torch.rand(3,4)
print(f"Shape of tensor: {tensor.shape}")
print(f"Datatype of tensor: {tensor.dtype}")
print(f"Device tensor is stored on: {tensor.device}")

Shape of tensor: torch.Size([3, 4])
Datatype of tensor: torch.float32
Device tensor is stored on: cpu

3.张量运算

这里全面介绍了超过 100 种张量运算，包括算术、线性代数、矩阵操作（转置、索引、切片）、采样等。

这些操作中的每一个都可以在 GPU 上运行（通常以比 CPU 更高的速度）。

默认情况下，张量是在 CPU 上创建的。我们需要使用 .to方法明确地将张量移动到 GPU（在检查 GPU 可用性之后）。请记住，跨设备复制大张量在时间和内存方面可能会很昂贵！

# We move our tensor to the GPU if available
if torch.cuda.is_available():
    tensor = tensor.to("cuda")

尝试列表中的一些操作。如果您熟悉 NumPy API，您会发现 Tensor API 使用起来轻而易举。

3.1 标准的类似 numpy 的索引和切片：

tensor = torch.ones(4, 4)
print(f"First row: {tensor[0]}")
print(f"First column: {tensor[:, 0]}")
print(f"Last column: {tensor[..., -1]}")
tensor[:,1] = 0
print(tensor)

First row: tensor([1., 1., 1., 1.])
First column: tensor([1., 1., 1., 1.])
Last column: tensor([1., 1., 1., 1.])
tensor([[1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.]])

3.2 连接张量

您可以用来torch.cat沿给定维度连接一系列张量。另请参阅torch.stack，另一个与torch.cat.

t1 = torch.cat([tensor, tensor, tensor], dim=1)
print(t1)

tensor([[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
        [1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
        [1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
        [1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.]])

3.3 算术运算

# This computes the matrix multiplication between two tensors. y1, y2, y3 will have the same value
y1 = tensor @ tensor.T
y2 = tensor.matmul(tensor.T)
y3 = torch.rand_like(y1)
torch.matmul(tensor, tensor.T, out=y3)
# This computes the element-wise product. z1, z2, z3 will have the same value
z1 = tensor * tensor
z2 = tensor.mul(tensor)
z3 = torch.rand_like(tensor)
torch.mul(tensor, tensor, out=z3)

tensor([[1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.]])

3.4单元素张量 Single-element tensors

如果您有一个单元素张量，例如通过将张量的所有值聚合为一个值，您可以使用以下方法将其转换为 Python 数值item()：

agg = tensor.sum()
agg_item = agg.item()
print(agg_item, type(agg_item))

12.0 <class 'float'>

3.5 In-place 操作 

将结果存储到操作数中的操作称为In-place操作。它们由_后缀表示。例如：x.copy_(y), x.t_(), 会变x。

print(f"{tensor} \n")
tensor.add_(5)
print(tensor)

tensor([[1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.]])
tensor([[6., 5., 6., 6.],
        [6., 5., 6., 6.],
        [6., 5., 6., 6.],
        [6., 5., 6., 6.]])

注意：

In-place 操作可以节省一些内存，但在计算导数时可能会出现问题，因为会立即丢失历史记录。因此，不鼓励使用它们。

4. 张量和NumPy 桥接

CPU 和 NumPy 数组上的张量可以共享它们的底层内存位置，改变一个会改变另一个。

4.1 张量到 NumPy 数组

t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")

t: tensor([1., 1., 1., 1., 1.])
n: [1. 1. 1. 1. 1.]

张量的变化反映在 NumPy 数组中。

t.add_(1)
print(f"t: {t}")
print(f"n: {n}")

t: tensor([2., 2., 2., 2., 2.])
n: [2. 2. 2. 2. 2.]

4.2 NumPy 数组到张量

n = np.ones(5)
t = torch.from_numpy(n)

NumPy 数组的变化反映在张量中。

np.add(n, 1, out=n)
print(f"t: {t}")
print(f"n: {n}")

t: tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
n: [2. 2. 2. 2. 2.]

以上就是python机器学习pytorch 张量基础教程的详细内容，更多关于python机器学习pytorch张量的资料请关注编程网其它相关文章！

您可能感兴趣的文档:

--结束END--

本文标题: python机器学习pytorch 张量基础教程

本文链接: https://lsjlt.com/news/120764.html(转载时请注明来源链接)

有问题或投稿请发送至: 邮箱/279061341@qq.com    QQ/279061341

猜你喜欢
  • python机器学习pytorch 张量基础教程
    目录正文1.初始化张量1.1 直接从列表数据初始化1.2 用 NumPy 数组初始化1.3 从另一个张量初始化1.4 使用随机值或常量值初始化2.张量的属性3.张量运算3.1 标准的...
    99+
    2024-04-02
  • Python Pytorch深度学习之Tensors张量
    目录一、Tensor（张量）二、操作总结环境：Anaconda自带的编译器——Spyder 最近才开使用conda，发现conda 就是 yyds，爱啦~ 一、Tensor（张量）...
    99+
    2024-04-02
  • Python学习入门基础教程(learn
     在Python里可以自定义函数，实现某特定功能，这里首先要区分一下函数的定义和函数的调用两个基本概念，初学者往往容易混淆。      函数的定义是指将一堆能实现特定功能的语句用一个函数名标识起来，而函数的调用则是通过函数名来使用这一堆语句...
    99+
    2023-01-31
    基础教程 入门 Python
  • Python学习入门基础教程(lear
      在if分支判断语句里的条件判断语句不一定就是一个表达式，可以是多个（布尔）表达式的组合关系运算，这里如何使用更多的关系表达式构建出一个比较复杂的条件判断呢？这里需要再了解一下逻辑运算的基础知识。逻辑关系运算有以下几种运算符.     ...
    99+
    2023-01-31
    基础教程 入门 Python
  • Python常用算法学习基础教程
    本节内容 算法定义 时间复杂度 空间复杂度 常用算法实例 1.算法定义 算法（Algorithm）是指解题方案的准确而完整的描述，是一系列解决问题的清晰指令，算法代表着用系统的方法描述解决问题的策略机制...
    99+
    2022-06-04
    算法 基础教程 常用
  • Python基础学习教程：Python基础之基本数据类型（一）
    Python基础学习教程：Python基础之基本数据类型（一）...
    99+
    2023-06-02
  • Python机器学习之基础概述
    目录一、基础概述二、算法分类三、研究内容一、基础概述 机器学习（Machine Learing）是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多...
    99+
    2024-04-02
  • Python学习教程：0基础学Python？手把手教你从变量和赋值语句学
    这篇Python学习教程将手把手教你入门学Python，从变量和赋值语句学起，前面也有专门给大家出过相关的详细教程，有需要的伙伴，可以找一下前面的教程！导读：在本文中，你会学到如何处理数字、定义与使用变量和常量，以及编写使用这些数据类型执行...
    99+
    2023-06-02
  • python基础学习21----进程
    python中的多线程其实并不是真正的多线程，如果想要充分地使用多核CPU的资源，在python中大部分情况需要使用多进程。 进程与线程的使用有很多相似之处，有关线程方面的知识请参考https://www.cnblogs.com/sfen...
    99+
    2023-01-30
    进程 基础 python
  • python基础学习22----协程
    协程，又称微线程。英文名Coroutine。 协程最大的优势就是协程极高的执行效率。因为子程序切换不是线程切换，而是由程序自身控制，因此，没有线程切换的开销，和多线程比，线程数量越多，协程的性能优势就越明显。 第二大优势就是不需要多线程的...
    99+
    2023-01-30
    基础 python 协程
  • python基础学习20----线程
    什么是线程 　　线程，有时被称为轻量进程(Lightweight Process，LWP），是程序执行流的最小单元。一个标准的线程由线程ID，当前指令指针(PC），寄存器集合和堆栈组成。另外，线程是进程中的一个实体，是被系统独立调度和分派...
    99+
    2023-01-30
    线程 基础 python
  • Python机器学习之Kmeans基础算法
    一、K-means基础算法简介 k-means算法是一种聚类算法，所谓聚类，即根据相似性原则，将具有较高相似度的数据对象划分至同一类簇，将具有较高相异度的数据对象划分至不同类簇。聚类与分类最大的区别在于，聚类过程为无...
    99+
    2022-06-02
    Python Kmeans基础算法 python机器学习 python Kmeans
  • Java学习教程：Java基础——反射
    什么是反射？JAVA反射机制是在运行状态中，对于任意一个类，都能够知道这个类的所有属性和方法；对于任意一个对象，都能够调用它的任意方法和属性；这种动态获取信息以及动态调用对象方法的功能称为java语言的反射机制。例如：我们在开发的过程当中，...
    99+
    2023-06-03
  • python深度学习tensorflow入门基础教程示例
    目录正文1、编辑器2、常量3、变量4、占位符5、图(graph)例子1：hello world例子2：加法和乘法例子3：矩阵乘法正文 TensorFlow用张量这种数据结构来表示所有...
    99+
    2024-04-02
  • python机器学习基础特征工程算法详解
    目录一、机器学习概述二、数据集的构成1.数据集存储2.可用的数据集3.常用数据集的结构三、特征工程1.字典数据特征抽取2.文本特征抽取3.文本特征抽取：tf-idf4.特征预处理：归...
    99+
    2024-04-02
  • Python基础学习教程系列讲解——try_except异常处理机制
    在Python编程中不可避免的会出现错误，在调试阶段出现语法之类的错误时，Pycharm会在Debug窗口提示错误，但是程序在运行时由于内部隐含的问题而引起错误，会导致程序终止执行。比如以下例程中，使用urllib库打开URL时由于网络问题...
    99+
    2023-06-02
  • Python机器学习实战教程
    Python机器学习实战教程分享网盘地址——https://pan.baidu.com/s/1miIb4og 密码: wtiw课程真心不错，分享给大家机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计...
    99+
    2023-01-31
    实战 机器 教程
  • socket.io学习教程之基础介绍（一）
    前言 Web端与服务器间的实时数据传输的是一个很重要的需求，但最早只能通过AJAX轮询询实现。在WebSocket标准没有推出之前，AJAX轮询是唯一可行的方式(通过Flash浏览器也可以，但这里不做讨论...
    99+
    2022-06-04
    基础 教程 socket
  • Netty学习教程之基础使用篇
    什么Netty？Netty是由JBOSS提供的一个java开源框架。Netty提供异步的、事件驱动的网络应用程序框架和工具，用以快速开发高性能、高可靠性的网络服务器和客户端程序。也就是说，Netty 是一个基于NIO的客户、服务器端编程框架...
    99+
    2023-05-31
    netty 基础 用
  • Python基础学习教程_Python学习路线_我是Python小白，怎么入门Python
    Python基础学习教程_Python学习路线_我是Python小白，怎么入门Python人生苦短，我用Python！！！短短几个字，现在在各大编程学习类平台随处可见，短短几个字，足以见Python今日的地位！为什么Python总被提起，为...
    99+
    2023-06-02
软考高级职称资格查询
热门wiki
近期文章
推荐阅读
热门问答
热门标签
编程网，编程工程师的家园，是目前国内优秀的开源技术社区之一，形成了由开源软件库、代码分享、资讯、协作翻译、讨论区和博客等几大频道内容，为IT开发者提供了一个发现、使用、并交流开源技术的平台。

  • 官方手机版

  • 微信公众号

  • 商务合作