本文概述
- 创建一维张量
- 在Tensor中检查元素的数据类型
- 访问Tensor的元素
- 访问具有指定范围的Tensor元素
- 使用Integer元素创建浮点张量
- 查找张量的大小
- 更改张量视图
- 使用numpy数组的张量
文章图片
一维张量类似于一维矩阵。一维张量只有一行一列, 称为矢量。还有一个零维张量, 也称为标量。
现在我们将讨论在张量上执行的操作。
我们也可以使用Google Colab编写Tensor的代码。访问Google Colab非常简单。对于Google Colab, 不需要任何设置。它完全在云上运行。
文章图片
Google Colab与Jupyter Notebook类似。使用Google Colab时, 许多软件包已为我们预装。不幸的是, 割炬不是其中之一, 因此我们必须首先使用!pip3 install torch命令安装割炬。
现在, 我们将在一维张量上执行该操作。
创建一维张量 为了创建一维张量, 我们使用了Torch库的张量属性。要创建张量, 我们使用torch.tensor()方法。
创建一维张量的语法如下:
n= torch.tensor([Tensor elements])
在这里, n是张量类型的变量, 张量元素可以是(, )之后的任何整数或浮点数。
例子
import torchn=torch.tensor([1, 2, 3, 4])print(n)
输出
tensor([1, 2, 3, 4])
文章图片
在Tensor中检查元素的数据类型 我们可以检查Tensor中包含的元素的数据类型。我们使用Tensor的dtype()查找数据类型。
例子
import torchn=torch.tensor ([1.0, 2.0, 3.0])print (n.dtype)
输出
torch.float32
文章图片
访问Tensor的元素 我们可以借助该元素的索引访问Tensor的元素。如果要打印张量的所有元素, 则可以打印张量变量。与一维指标索引一样, Tensor索引也从0开始。
例子
import torchn=torch.tensor([1.0, 2.0, 3.0])print(n[2])
输出
tensor(3.)
文章图片
访问具有指定范围的Tensor元素 通过传递以冒号(:)分隔的元素的开始索引或结束索引来访问指定范围的元素非常简单。它将跳过起始索引元素和打印元素, 直到结束索引。
例子
import torchn=torch.tensor([1.0, 2.0, 3.0])print(n[0:2])
输出
tensor (2.0, 3.0)
文章图片
我们还有另一个示例, 它通过跳过由我们初始化的起始索引来打印所有元素。
例子
import torchn=torch.tensor ([1.0, 2.0, 3.0])print(n[0:])
输出
tensor (2.0, 3.0)
文章图片
使用Integer元素创建浮点张量 我们可以使用整数元素创建浮点张量。在此, 我们使用PyTorch的FloatTensor属性。
例子
import torchn=torch.FloatTensor([1, 2, 3, 4, 5, 6, 7])print(n)
输出
tensor([1., 2., 3., 4., 5., 6., 7.])
文章图片
查找张量的大小 就像一维指标一样, 我们也可以找到张量的大小。我们使用Tensor的size()方法获取大小。
例子
import torchn=torch.FloatTensor([1, 2, 3, 4, 5, 6, 7])print(n.size())
【PyTorch一维张量用法图解】输出
torch.Size([7])
文章图片
更改张量视图 Tensor具有可更改Tensor视图的属性。改变视图意味着张量是一维的(一行一列), 我们想将其视图改变六行一列。可以在Tensor的view()的帮助下进行更改。它类似于数组的reshape()。
例子
import torchn=torch.FloatTensor([1, 2, 3, 4, 5, 6])print(n)n.view(6, 1)
输出
tensor ([1., 2., 3., 4., 5., 6.])tensor([[1.], [2.], [3.], [4.], [5.], [6.]])
注意:我们也可以使用其他尺寸, 例如(3, 2), 但它应与我们的原始张量元素兼容。
文章图片
使用numpy数组的张量 我们还可以使用numpy数组创建Tensor。我们必须借助焊炬的from_numpy()将numpy数组转换为Tensor。为此, 我们首先必须初始化numpy, 然后创建一个numpy数组。
例子
import torchimport numpy as npa=np.array([1, 2, 3, 4, 5, 6])tensorcon=torch.from_numpy(a)print(tensorcon)print(tensorcon.type())
输出
tensor([1, 2, 3, 4, 5, 6])torch.LongTensor
文章图片
推荐阅读
- PyTorch神经网络(感知器图解)
- PyTorch软件包介绍
- Python教程(几个常用的内置函数)
- 什么是爬虫(Python爬虫框架有哪些?)
- 用 Python 提取 PDF 文本的简单方法
- Spring-ApplicationContext的介绍
- uni-app app端设置全屏背景色
- ORA-02050 trapped in 2PC on transaction 191.4.1345608. Cleaning up.
- CWinApp和CFrameWnd