類型推斷

torch.randn()：隨機初始化

a.type()：返回類型

type()：返回基本類型

isinstance() ：檢查類型

cuda會影響數(shù)據類型

標量

維度(dimention)為0的標量

標量的shape：

返回類型為【】(空的list)，返回長度也為0

a.dimension()也為0

Dim1

torch.tensor() ： 輸入具體數(shù)據

torch.FloatTensor() ：輸入類型大小

Dim1的shape

Dim2

Dim3

Dim4(一般用于圖像)

創(chuàng)建Tensor

import from numpy

從numpy轉化為tensor類型， 數(shù)據類型(float)不變，變量類型(np→numpy)變了

生成未初始化tensor

設置默認類型

隨機初始化

torch.rand() ：隨機采樣【0,1】之間的數(shù)

torch.rand_like(a)： 采樣出與a相同類型的tensor

torch.randint(min,max,[type])：不包含最大值

正態(tài)分布隨機初始化

torch.normal(mean,std)： 自定義的正態(tài)分布，需要給出相同數(shù)量的均值和方差

重復填充

torch.full()：類型為[]時,表示生成的為標量

范圍

torch.arange()：生成不包含最大值的等差數(shù)列

torch,linspace(min,max,steps= )：包含最大值，steps是切分后的數(shù)量

全1/零/單位矩陣

torch.eye()：中如果不是方陣，多余部分為0

隨機打散

torch.randperm()： 生成不包含最大值的索引

下面對第一維進行shuffle，randperm中的參數(shù)必須與類型的第一維相同。a和b的idx相同，防止匹配錯誤

下圖表示，randperm中定義需要兩個索引時，分別返回a b的對應索引值

切片和索引

索引

取不到“ ：”后的元素

-1表示最后一個元素

分段采樣

出現(xiàn)兩個“：”表示的是：start ：end?：step(默認為1,為1可省略)

指定維度采樣

“ ...”：表示同時取多個維度，只能全選或已知前后具體采樣維度，剩下的全選，某一維度取“1”時，會自動降維

根據MASK選擇

先根據條件，得到一定的掩碼，根據滿足條件的掩碼值重新在原始數(shù)據中進行選擇

鋪展(Flatten)索引值

緯度變化

View Reshape

增維(Unsqueeze)

下面的a為標量，在第0維與第1維添加維度后，分別會變?yōu)閇1,2] [2,1]

下面是bias向權重類型變化過程

降維(squeeze)

如果沒有具體參數(shù)，將去除所有為“1”的維度

帶有參數(shù)，將對對應維度進行去除

擴展(expand)

總維度必須相同，且只能從1維度擴展到指定維度或直接相同

“-1”保持原來維度不變

重復(repeat)

與expand參數(shù)不同，每個維度的值表示對對應維度進行的重復次數(shù)。

矩陣轉置(transpose)

下面兩行函數(shù)說明，即使前后的總體數(shù)據類型的大小相同，但是相同維度所表示的意義也進行了交換，因此不再表示同一Tensor

permute

可以自動調用transpose，并保證維度順序的順利交換

本文地址：https://blog.csdn.net/qq_42518956/article/details/107621610

希望與廣大網友互動？？

點此進行留言吧！

總結

以上是生活随笔為你收集整理的python选取tensor某一维_Pytorch的Tensor操作(1)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。