伊滨区网站建设,精品课程网站设计与实现,佛山外贸网站,一起装修网官网Tensor模板类的设计思路
为什么要把Armadillo线性代数库arma::fcube封装成Tensor模板类#xff1f;
arma::fcube是Armadillo线性代数库中的一种数据类型#xff0c;它是一个三维的float类型张量。Armadillo库是一个C科学计算库#xff0c;提供了高效的线性代数和矩阵运算。…Tensor模板类的设计思路
为什么要把Armadillo线性代数库arma::fcube封装成Tensor模板类
arma::fcube是Armadillo线性代数库中的一种数据类型它是一个三维的float类型张量。Armadillo库是一个C科学计算库提供了高效的线性代数和矩阵运算。它支持常用矩阵操作、线性系统求解、特征值求解等功能并且具有简单易用、高效快速、内存占用少等特点。
将arma::fcube封装成Tensor可以使其更方便地在深度学习等领域中使用提供了更加直观和易用的接口同时与其他深度学习框架(如TensorFlow、PyTorch等)进行对接时也比较方便。
除了Armadillo库还有一些其他的常用的线性代数C库比如
Eigen是一个高效的C线性代数库支持大部分的矩阵和数组运算而且提供了矩阵、向量的基本运算方法。
这些线性代数库都是面向高性能计算而设计的提供了高效、快速、稳定的数字计算模块可以在科学计算、图像处理、物理模拟等领域中发挥重要作用。
Tensor定义了哪些接口实现了哪些功能
Tensor是一个模板类支持float类型的数据。 Tensor类支持创建张量、访问和修改张量元素以及一些查询张量属性的功能。 其中还实现了对Tensor对象的复制构造函数、移动构造函数、赋值运算符和移动赋值运算符并在内部使用了Armadillo线性代数库来存储和操作数据。 它具有以下接口和功能
构造函数
explicit Tensor() default; // 默认构造函数explicit Tensor(uint32_t channels, uint32_t rows, uint32_t cols); // 创建张量并指定通道数、行数和列数explicit Tensor(const std::vectoruint32_t shapes); // 根据形状(shape)创建张量Tensor(const Tensor tensor); // 复制构造函数Tensor(Tensor tensor) noexcept; // 移动构造函数
赋值运算符
Tensor operator(Tensor tensor) noexcept; // 移动赋值运算符Tensor operator(const Tensor tensor); // 赋值运算符
访问张量维度属性接口
uint32_t rows() const; // 返回张量的行数uint32_t cols() const; // 返回张量的列数uint32_t channels() const; // 返回张量的通道数uint32_t size() const; // 返回张量中元素的数量bool empty() const; // 返回张量是否为空std::vectoruint32_t shapes() const; // 返回张量尺寸大小const std::vectoruint32_t raw_shapes() const; // 返回张量实际尺寸大小
访问张量元素接口
float index(uint32_t offset) const; // 返回张量中offset位置的元素float index(uint32_t offset); // 返回张量中offset位置的元素(可写)arma::fmat slice(uint32_t channel); // 返回张量第channel通道中的数据const arma::fmat slice(uint32_t channel) const; // 返回张量第channel通道中的数据float at(uint32_t channel, uint32_t row, uint32_t col) const; // 返回特定位置的元素
访问张量接口
arma::fcube data(); // 返回张量中的数据const arma::fcube data() const; // 返回张量中的数据void Show(); // 输出张量
修改张量接口
void set_data(const arma::fcube data); // 设置张量中的具体数据void Ones(); // 设置张量全为1void Rand(); // 随机生成张量服从标准正太分布即以0为均值、以1为标准差的正态分布void Padding(const std::vectoruint32_t pads, float padding_value); // 边界填充void Fill(float value); // 用标量值填充void Fill(const std::vector values); // 用vector填充void ReRawshape(const std::vectoruint32_t shapes); // 列优先reshapevoid ReRawView(const std::vectoruint32_t shapes); // 行优先reshapevoid Transform(const std::functionfloat(float) filter); // 对张量中的元素进行过滤void Flatten(); // 展平张量
为什么这里有两种reshape因为Armadillo的张量是列优先的而pytorch实现的reshape是行优先的 所以我们用一个接口保留列优先的reshape定义另一个接口来实现行优先的reshape兼容并对接pytorch。
为什么要定义一个CSV文件数据读取类
由于CSV文件是一种常见且常用的数据格式因此这个类方便于数据转换数据读取。 CSVDataLoader类主要作用是提供一种便捷的方式来从CSV文件读取数据并转换成fmat矩阵类型 在这个CSV文件数据读取类中定义了静态方法LoadData和GetMatrixSize来从CSV文件中加载数据和获取CSV文件的尺寸大小。
其中LoadData方法用于从CSV文件中加载数据并返回一个Armadillo库中的fmat矩阵该方法的参数包括需要读取的CSV文件路径和分隔符。而GetMatrixSize方法用于获取CSV文件的尺寸大小该方法用于在LoadData方法中初始化返回的fmat矩阵同时该方法也传入CSV文件路径和分隔符两个参数。
