本篇内容主要讲解“PyTorch create_tensor怎么使用”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“PyTorch create_tensor怎么使用”吧!
创新互联专业为企业提供宁县网站建设、宁县做网站、宁县网站设计、宁县网站制作等企业网站建设、网页设计与制作、宁县企业网站模板建站服务，十年宁县做网站经验，不只是建网站，更提供有价值的思路和整体网络服务。
课程代码
1. create_tensor
import torch
import numpy as np
a = np.ones((3, 3))
print(a, id(a))
b = torch.tensor(a)
print(b, id(b), b.device)
# b_gpu = torch.tensor(a, device = 'cuda')
b_gpu = torch.tensor(a, device = 'cpu')
print(b_gpu, id(b_gpu), b_gpu.device)
c = torch.from_numpy(a)
print(c, id(c))
a[0, 0] = 2
print(a, c)
c[0, 1] = 3
print(a, c)
d = torch.zeros((3, 3, 3))
print(d, d.dtype, d.shape)
dd = torch.zeros_like(d)
print(d, d.type, d.shape)
e = torch.full((2, 2), 233)
print(e, e.dtype)
ee = torch.full((2, 2), 233.)
print(ee, ee.dtype)
f = torch.arange(1, 5)
print(f, f.dtype)
ff = torch.arange(1., 5.1)
print(ff, ff.dtype)
g = torch.linspace(1, 6, 6)
print(g, g.dtype)
h = torch.normal(0, 1, (3, 3))
print(h, h.dtype)
hh = torch.randn((3, 3))
print(hh, hh.dtype)
i = torch.rand((2, 2))
print(i)
ii = torch.randint(1, 5, (2, 2))
print(ii)
j = torch.randperm(20)
print(j, j.dtype)
2. reshape_tensor
import torch
import numpy as np
a = torch.arange(0, 10, dtype = torch.int64)
b = torch.reshape(a, (2, 5))
print(b)
b_T = torch.t(b)
print(b_T, b_T.shape)
c = torch.reshape(torch.arange(0, 24, dtype = torch.int64), (2, 3, 4))
print(c)
d = torch.transpose(c, 0, 1)
print(d)
e = torch.tensor([1])
print(e, e.shape)
f = torch.squeeze(e)
print(f, f.shape)
f = f * 2
print(f, e)
ee = torch.unsqueeze(f, dim = 0)
print(ee)
3. concat_split_tensor
import torch
import numpy as np
t1 = torch.ones((2, 2))
t2 = torch.zeros((2, 2))
a = torch.cat([t1, t2], dim = 0)
print(a, a.shape)
b = torch.stack([t1, t2], dim = 0)
print(b, b.shape)
print(b[0], b[1])
x = torch.split(b, [1, 1], dim = 0)
print(type(x))
c, d = x
print(c, d)
e = torch.index_select(a, dim = 0, index = torch.tensor([0, 2]))
print(e)
mask = a.ge(1)
f = torch.masked_select(a, mask)
print(mask, f)
4. tensor_operator
# 通过一元线性回归, 来熟悉和展示常用的tensor的运算操作
import torch
import numpy as np
torch.manual_seed(10)
# data
x = torch.rand((20, 1)) * 10
y = 2 * x + 5 + torch.randn(20, 1)
# model
w = torch.tensor(np.asarray([0.3]), requires_grad=True)
b = torch.tensor(np.asarray([0.]), requires_grad=True)
print(w, b)
# iteration
for _ in range(1000):
# flow
y_pre = w * x + b
loss = ( 0.5 * (y_pre - y) ** 2 ).mean()
# backwords
loss.backward()
w.data.sub_(0.05 * w.grad)
b.data.sub_(0.05 * b.grad)
w.grad.zero_()
b.grad.zero_()
# show
if _ % 100 == 0:
print(str(_) + ' loss is', loss.data.numpy())
if loss.data.numpy() < 0.47:
break
print('finish...')
作业
1. 安装anaconda,pycharm, CUDA+CuDNN（可选），虚拟环境，pytorch，并实现hello pytorch查看pytorch的版本
2. 张量与矩阵、向量、标量的关系是怎么样的？
3. Variable“赋予”张量什么功能？
4. 采用torch.from_numpy创建张量，并打印查看ndarray和张量数据的地址；
5. 实现torch.normal()创建张量的四种模式。
1. 装环境
conda create -n torch_p36 python=3.6.5
conda activate torch_p36
pip install torch==1.7.1+cu110 torchvision==0.8.2+cu110 torchaudio===0.7.2 -f https://download.pytorch.org/whl/torch_stable.html
2. 概念解释
标量（scalar)
一个标量表示一个单独的数，它不同于线性代数中研究的其他大部分对象
向量（vector）
一个向量表示一组有序排列的数。通过次序中的索引，我们可以确定每个单独的数
矩阵（matrix）
矩阵是具有相同特征和纬度的对象的集合，表现为一张二维数据表。其意义是一个对象表示为矩阵中的一行，一个特征表示为矩阵中的一列，每个特征都有数值型的取值
张量（tensor）
在某些情况下，我们会讨论坐标超过两维的数组。一般地，一个数组中的元素分布在若干维坐标的规则网格中，我们将其称之为张量
3. Variable“赋予”张量功能
Variable是torch.autograd中的数据类型，主要用于封装Tensor，使得tensor可以进行自动求导
主要有五个属性：
1.data：被包装的Tensor
2.grad：data的梯度
3.grad_fn:创建Tensor的Function（创建张量所用到的方法，如加法或乘法），是自动求导的关键
4.requires.grad：指示张量是否需要梯度，不需要梯度的张量可以设置为false
5.is_leaf：指示张量在计算图中是否是叶子结点。
现在variable不需要出现在代码中了, 并入到了tensor
Tensor
dtype
shape
device
4. 创建张量
import torch
import numpy as np
a = np.ones((3, 3))
print(a, id(a))
b = torch.tensor(a)
print(b, id(b), b.device)
# b_gpu = torch.tensor(a, device = 'cuda')
b_gpu = torch.tensor(a, device = 'cpu')
print(b_gpu, id(b_gpu), b_gpu.device)
c = torch.from_numpy(a)
print(c, id(c))
a[0, 0] = 2
print(a, c)
c[0, 1] = 3
print(a, c)
d = torch.zeros((3, 3, 3))
print(d, d.dtype, d.shape)
dd = torch.zeros_like(d)
print(d, d.type, d.shape)
e = torch.full((2, 2), 233)
print(e, e.dtype)
ee = torch.full((2, 2), 233.)
print(ee, ee.dtype)
f = torch.arange(1, 5)
print(f, f.dtype)
ff = torch.arange(1., 5.1)
print(ff, ff.dtype)
g = torch.linspace(1, 6, 6)
print(g, g.dtype)
h = torch.normal(0, 1, (3, 3))
print(h, h.dtype)
hh = torch.randn((3, 3))
print(hh, hh.dtype)
i = torch.rand((2, 2))
print(i)
ii = torch.randint(1, 5, (2, 2))
print(ii)
j = torch.randperm(20)
print(j, j.dtype)
到此，相信大家对“PyTorch create_tensor怎么使用”有了更深的了解，不妨来实际操作一番吧！这里是创新互联网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！
网页名称：PyTorchcreate_tensor怎么使用
网页地址：
http://cdkjz.cn/article/joeeig.html
