1 概述

Pytorch是基于Torch之上的python包，在底層主要通過張量的形式進行計算，Pytorch中的張量表示為同一數(shù)據(jù)類型的多位橘子。

1.1 基礎數(shù)據(jù)類型的概述

1、標量：即具體的數(shù)字

2、向量：多個標量組成

3、矩陣：多個向量組成

4、張量：多個矩陣組成的量

2 張量

2.1 張量在編程語言上的定義方法

2.1.1 torch.tensor()

import torch # 引入torch庫 import numpy as np # 引入Numpy """torch.tensor()：僅有一個參數(shù)，其功能是將轉(zhuǎn)入的對象轉(zhuǎn)化為張量 """ a = torch.tensor(5) #定義一個張量 5 print(a) #輸出 tensor(5)anp = np.asarray([4]) #定義一個Numpy數(shù)組 a = torch.tensor(anp) #將Numpy數(shù)組轉(zhuǎn)化成張量 print(a)# 輸出 tensor([4], dtype=torch.int32)

結(jié)果：

2.1.2 torch.Tensor()

import torch # 引入torch庫 import numpy as np # 引入Numpy """torch.Tensor()：1.當傳入數(shù)字時，創(chuàng)建一個指定形狀的張量，生成的張量是未初始化的。2.傳入一個列表時，生成與該列表內(nèi)容相同的張量 """ a = torch.Tensor(2) #定義指定形狀未初始化的張量 print(a) #輸出 tensor([-1.5370e+18, 1.0872e-18])b = torch.Tensor(1,2) #定義指定形狀的未初始化的張量 print(b) #輸出 tensor([[-1.5312e+18, 2.7181e-19]])e = torch.rand(2,1) #定義指定形狀的已初始化的張量 print(e) #隨機生成0至1區(qū)間內(nèi)的張量c = torch.Tensor([2]) #定義指定內(nèi)容的張量 print(c) #輸出 tensor([2.])d = torch.Tensor([1,2]) #定義一個指定內(nèi)容的張量 print(d) #輸出 tensor([1., 2.])

結(jié)果：

2.1.3 張量的類型判斷與元素個數(shù)計算

import torch # 引入torch庫a = torch.Tensor(2) # 定義一個指定形狀的張量 print(torch.is_tensor(a)) # 判斷a是否為張量 print(torch.numel(a)) # 獲得a中的元素個數(shù)

結(jié)果：

2.1.4 張量的默認類型

在torch中CPU和GPU張量分別有8種數(shù)據(jù)類型

在torch中默認的數(shù)據(jù)類型是32位浮點型（torch.FloatTensor），可以通過torch.set_default_tensor_type()函數(shù)設置默認的數(shù)據(jù)類型，但是該函數(shù)只支持設置浮點型數(shù)據(jù)類型，代碼如下：

import torchtorch.tensor([1.2,3.4]).dtype #獲取張量的數(shù)據(jù)類型，其中torch.tensor()函數(shù)生成一個張量 #默認為 torch.float32torch.set_default_tensor_type(torch.DoubleTensor) #設置張量的默認數(shù)據(jù)類型 torch.tensor([1.2,3.4]).dtype #此時變成 torch.float64

2.1.5 張量的type()方法==》將張量轉(zhuǎn)化為基礎數(shù)據(jù)類型

在torch中還有其他類型的數(shù)據(jù)，將浮點型轉(zhuǎn)化為其他數(shù)據(jù)類型的方法如下：

a = torch.tensor([1.2,3.4]) print("a.dtype:",a.dtype) print("a.long()方法",a.long().dtype) print("a.int()方法",a.int().dtype) print("a.float()方法",a.float().dtype) # #a.dtype:torch.float64 #a.long()方法：torch.int64 #a.int()方法：torch.int32 #a.float()方法：torch.float32

2.1.6?dtype和type()的區(qū)別

torch_tensor.dtype #返回類似： torch.float64，是torch定義的數(shù)據(jù)類型。 torch_tensor.type() #返回類似：torch.cuda.DoubleTensor ，是字符串，且可以看到是CPU張量還是GPU張量。torch.float64 對應 torch.DoubleTensor torch.float32 對應 torch.FloatTensor

2.1.7?默認類型在其他函數(shù)中的應用

torch.ones()：生成指定形狀、元素值為1的張量數(shù)組

torch.zeros()：生成指定形狀、元素值為0的張量數(shù)組

torch.ones_like()：生成與目標張量形狀相同、元素值為1的張量數(shù)組

torch.zeros_like()：生成與目標張量形狀相同、元素值為1的張量數(shù)組

torch.randn()：生成指定形狀的隨機數(shù)張量數(shù)組

torch.eye()：生成對角矩陣的張量

torch.full()：生成元素值均為1的矩陣的張量

2.2 張量與Numpy的關系

在pytorch中張量可以是一個標量，一個向量，一個矩陣，甚至是更高維度的數(shù)組，所以pytorch中的rtensor和numpy中的數(shù)組（ndarray）非常相似。

在使用中也經(jīng)常將pytorch中的張量和numpy庫中的數(shù)組相互轉(zhuǎn)化，在深度網(wǎng)絡中，基于pytorch的相關計算都是在tensor的基礎上完成的。

2.2.1 類型轉(zhuǎn)換

import torch import numpy as npa = torch.FloatTensor([4]) # 定義一個張量 print(a.numpy()) # 轉(zhuǎn)化成numpy，并輸出anp = np.asarray([4]) # 定義一個numpy類型對象 print(torch.from_numpy(anp)) # 法1 轉(zhuǎn)化為tensor，并輸出 print(torch.tensor(anp))# 法2 轉(zhuǎn)化為tensor，并輸出

結(jié)果：

?

?2.2.2 張量與numpy類型變量的形狀

import torch import numpy as npx = torch.rand(2,1) print(x.shape,x.size())anp = np.asarray([4,2]) print(anp.shape,anp.size)

結(jié)果：

2.2.3 切片操作

import torch import numpy as npx = torch.rand(2,1) print(x[:])anp = np.asarray([4,2]) print(anp[:])

?結(jié)果：

?2.2.3 陷阱

Numpy轉(zhuǎn)化為tensor張量時，若改變tensor的數(shù)值，不會影響到原numpy的數(shù)值，因為tensor會重新開辟區(qū)域。若改變numpy的數(shù)值，會影響到tensor的數(shù)值，因為numpy不會重新開辟區(qū)域。

總結(jié)

以上是生活随笔為你收集整理的【Pytorch神经网络理论篇】 01 Pytorch快速上手（一）概述+张量的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。