在线网站推广工具,网页的后台管理系统,个人建购物网站怎么备案,开通招聘网站如何做分录一、Tensor概念
什么是张量#xff1f;
张量是一个多维数组#xff0c;它是标量、向量、矩阵的高维拓展
Tensor与Variable
Variable是torch.autograd中的数据类型#xff0c;主要用于封装Tensor#xff0c;进行自动求导。
data: 被包装的Tensorgrad: data的梯度…一、Tensor概念
什么是张量
张量是一个多维数组它是标量、向量、矩阵的高维拓展
Tensor与Variable
Variable是torch.autograd中的数据类型主要用于封装Tensor进行自动求导。
data: 被包装的Tensorgrad: data的梯度梦回数一grad_fn: 创建Tensor的Function是自动求导的关键requires_grad: 指示是否需要梯度is_leaf: 指示是否是叶子节点张量 Tensor
PyTorch 0.4.0版本开始Variable已并入Tensor。
dtype: 张量的数据类型例如torch.FloatTensor, torch.cuda.FloatTensorshape: 张量的形状例如 (64, 3, 224, 224)device: 张量所在设备GPU/CPU是加速的关键 二、 Create Tensor
1、直接创建
torch.tensor(data,dtypeNone,deviceNone,requires_gradFalse,pin_memoryFalse
)功能从data创建tensor
• data: 数据, 可以是list, numpy • dtype : 数据类型默认与data的一致 • device : 所在设备, cuda/cpu • requires_grad是否需要梯度 • pin_memory是否存于锁页内存
torch.from_numpy(ndarray)
功能从numpy创建tensor。
注意事项从torch.from_numpy创建的 tensor 与原始 ndarray 共享内存。
当修改其中一个的数据时另一个也会被改动。2、依据数值创建
torch.zeros(*size,outNone,dtypeNone,layouttorch.strided,deviceNone,requires_gradFalse
)功能依照size创建全0张量
• size: 张量的形状, 如(3, 3)、(3, 224,224) • out : 输出的张量 • layout : 内存中布局形式, 有strided,sparse_coo等 • device : 所在设备, gpu/cpu • requires_grad是否需要梯度
torch.zeros_like(input,dtypeNone,layoutNone,deviceNone,requires_gradFalse
)
功能依照 input 形状创建全0张量
参数说明
input: 作为模板的输入张量新创建的张量将具有与此张量相同的形状和数据类型。dtype可选: 新创建张量的数据类型默认为 None即与输入张量相同。layout可选: 新创建张量的布局默认为 None即与输入张量相同。device可选: 新创建张量所在设备默认为 None即与输入张量相同。requires_grad可选: 是否需要计算梯度默认为 False即不需要计算梯度。
torch.ones(*size,outNone,dtypeNone,layouttorch.strided,deviceNone,requires_gradFalse
)
参数说明
*size: 张量的形状可以是一个数字或一个元组用来指定张量每个维度的大小。out可选: 输出张量。dtype可选: 张量的数据类型默认为 None即自动推断。layout可选: 张量的布局默认为 torch.strided。device可选: 张量所在设备默认为 None即 CPU。requires_grad可选: 是否需要计算梯度默认为 False即不需要计算梯度。
torch.ones_like(input,dtypeNone,layoutNone,deviceNone,requires_gradFalse
)
参数说明
input: 作为模板的输入张量新创建的张量将具有与此张量相同的形状和数据类型。dtype可选: 新创建张量的数据类型默认为 None即与输入张量相同。layout可选: 新创建张量的布局默认为 None即与输入张量相同。device可选: 新创建张量所在设备默认为 None即与输入张量相同。requires_grad可选: 是否需要计算梯度默认为 False即不需要计算梯度。torch.ones() 用于创建所有元素值为1的张量而 torch.ones_like() 则创建与输入张量形状相同的张量但所有元素的值都为1。这两个函数都可以选择性地指定数据类型、布局、设备和是否需要计算梯度。
torch.full(size,fill_value,outNone,dtypeNone,layouttorch.strided,deviceNone,requires_gradFalse
)
参数说明
size: 张量的形状可以是一个数字或一个元组用来指定张量每个维度的大小。fill_value: 填充张量的值可以是标量或与指定数据类型相同的张量。out可选: 输出张量。dtype可选: 张量的数据类型默认为 None即自动推断。layout可选: 张量的布局默认为 torch.strided。device可选: 张量所在设备默认为 None即 CPU。requires_grad可选: 是否需要计算梯度默认为 False即不需要计算梯度。
这个函数用于创建指定形状并用指定值填充的张量。填充值可以是一个标量或与指定数据类型相同的张量。可以选择性地指定数据类型、布局、设备和是否需要计算梯度。
torch.arange(start0,end,step1,outNone,dtypeNone,layouttorch.strided,deviceNone,requires_gradFalse
)
参数说明
start: 序列起始值默认为 0。end: 序列结束值不包含创建的序列不包含该值。step: 序列中相邻值之间的步长默认为 1。out可选: 输出张量。dtype可选: 张量的数据类型默认为 None即自动推断。layout可选: 张量的布局默认为 torch.strided。device可选: 张量所在设备默认为 None即 CPU。requires_grad可选: 是否需要计算梯度默认为 False即不需要计算梯度。
这个函数用于创建一个从 start 到 end不包含 end的数值序列并以 step 为步长。可以选择性地指定数据类型、布局、设备和是否需要计算梯度。
torch.linspace(start,end,steps100,outNone,dtypeNone,layouttorch.strided,deviceNone,requires_gradFalse
)
参数说明
start: 序列起始值。end: 序列结束值。steps: 序列中的元素数量默认为 100。out可选: 输出张量。dtype可选: 张量的数据类型默认为 None即自动推断。layout可选: 张量的布局默认为 torch.strided。device可选: 张量所在设备默认为 None即 CPU。requires_grad可选: 是否需要计算梯度默认为 False即不需要计算梯度。
这个函数创建一个在指定范围内从 start 到 end以均匀间隔的方式生成的数值序列并且序列的元素数量由 steps 参数指定。可以选择性地指定数据类型、布局、设备和是否需要计算梯度。
torch.logspace(start,end,steps100,base10.0,outNone,dtypeNone,layouttorch.strided,deviceNone,requires_gradFalse
)
参数说明
start: 序列起始值的指数。end: 序列结束值的指数。steps: 序列中的元素数量默认为 100。base: 序列中的数值以此为底进行指数计算默认为 10.0。out可选: 输出张量。dtype可选: 张量的数据类型默认为 None即自动推断。layout可选: 张量的布局默认为 torch.strided。device可选: 张量所在设备默认为 None即 CPU。requires_grad可选: 是否需要计算梯度默认为 False即不需要计算梯度。
这个函数创建一个在对数刻度上以均匀间隔分布的数值序列start 和 end 参数指定序列起始值和结束值的指数base 参数确定对数的底。可以选择性地指定数据类型、布局、设备和是否需要计算梯度。
torch.eye(n,mNone,outNone,dtypeNone,layouttorch.strided,deviceNone,requires_gradFalse
)
参数说明
n: 矩阵的行数。m可选: 矩阵的列数默认为 None如果为 None则创建的是 n x n 的方阵。out可选: 输出张量。dtype可选: 张量的数据类型默认为 None即自动推断。layout可选: 张量的布局默认为 torch.strided。device可选: 张量所在设备默认为 None即 CPU。requires_grad可选: 是否需要计算梯度默认为 False即不需要计算梯度。
这个函数可以创建一个单位矩阵。如果提供了 m 参数则创建的是一个 n x m 的矩阵否则创建的是 n x n 的方阵。可以选择性地指定数据类型、布局、设备和是否需要计算梯度。
3、依概率分布创建张量
torch.normal(mean,std,outNone
)
torch.normal() 是 PyTorch 中用于生成服从指定均值和标准差的正态分布随机数的函数。以下是该函数的参数说明
mean: 正态分布的均值。std: 正态分布的标准差。out可选: 输出张量用于保存生成的随机数。
torch.normal(mean,std,outNone
)
用于生成服从指定均值和标准差的正态分布随机数。
mean: 正态分布的均值。std: 正态分布的标准差。out可选: 输出张量用于保存生成的随机数。
torch.normal(mean,std,size,outNone
)
mean: 正态分布的均值。std: 正态分布的标准差。size: 生成张量的形状。out可选: 输出张量用于保存生成的随机数。 四种模式 mean为标量std为标量 mean为标量std为张量 mean为张量std为标量 mean为张量std为张量 这个函数与前一个函数类似但是多了一个 size 参数用于指定生成张量的形状。返回一个形状为 size 的张量其中的元素服从均值为 mean、标准差为 std 的正态分布。可以选择性地提供一个输出张量 out 用于保存生成的随机数。
torch.randn(*size,outNone,dtypeNone,layouttorch.strided,deviceNone,requires_gradFalse
)
torch.rand() 是 PyTorch 中用于生成服从标准正态分布均值为0标准差为1的随机数的函数。以下是该函数的参数说明
torch.rand(*size,outNone,dtypeNone,layouttorch.strided,deviceNone,requires_gradFalse
)*size: 张量的形状可以是一个数字或一个元组用来指定张量每个维度的大小。out可选: 输出张量用于保存生成的随机数。dtype可选: 张量的数据类型默认为 None即自动推断。layout可选: 张量的布局默认为 torch.strided。device可选: 张量所在设备默认为 None即 CPU。requires_grad可选: 是否需要计算梯度默认为 False即不需要计算梯度。
这个函数返回一个张量其中的元素是在区间 [0, 1) 上均匀分布的随机数形状由参数 *size 指定。可以选择性地指定数据类型、布局、设备和是否需要计算梯度。
torch.randint(low0,high,size,outNone,dtypeNone,layouttorch.strided,deviceNone,requires_gradFalse
)low: 区间的下界包含在内。high: 区间的上界不包含在内。size: 生成张量的形状。out可选: 输出张量用于保存生成的随机整数。dtype可选: 张量的数据类型默认为 None即自动推断。layout可选: 张量的布局默认为 torch.strided。device可选: 张量所在设备默认为 None即 CPU。requires_grad可选: 是否需要计算梯度默认为 False即不需要计算梯度。
这个函数返回一个张量其中的元素是在区间 [low, high) 上均匀分布的随机整数形状由参数 size 指定。
这个函数用于生成随机排列和按照伯努利分布生成随机二元数。
torch.randperm(n,outNone,dtypetorch.int64,layouttorch.strided,deviceNone,requires_gradFalse
)参数说明
n: 生成随机排列的长度。out可选: 输出张量用于保存生成的随机排列。dtype可选: 张量的数据类型默认为 torch.int64。layout可选: 张量的布局默认为 torch.strided。device可选: 张量所在设备默认为 None即 CPU。requires_grad可选: 是否需要计算梯度默认为 False即不需要计算梯度。
这个函数返回一个长度为 n 的张量包含从 0 到 n-1 的随机排列整数。
torch.bernoulli(input,*,generatorNone,outNone
)
input: 输入张量用于指定伯努利分布的概率值。generator可选: 随机数生成器默认为 None。out可选: 输出张量用于保存生成的随机二元数。
这个函数返回一个张量其中的元素按照输入张量中的概率值在伯努利分布上进行采样生成随机二元数0 或 1。
