PyTorch一维张量用法图解

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
众所周知, PyTorch已被深度学习世界所接受, 因为它能够方便地定义神经网络。神经网络从根本上构成了传感器, 而PyTorch也围绕传感器构建。性能往往会大大提高。张量模糊地是矩阵的一般化。
PyTorch一维张量用法图解

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。
PyTorch一维张量用法图解

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])

PyTorch一维张量用法图解

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

PyTorch一维张量用法图解

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.)

PyTorch一维张量用法图解

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)

PyTorch一维张量用法图解

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)

PyTorch一维张量用法图解

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.])

PyTorch一维张量用法图解

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])

PyTorch一维张量用法图解

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。
PyTorch一维张量用法图解

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

PyTorch一维张量用法图解

文章图片

    推荐阅读