1. Tensor的数据类型 2. Tensor的创建与查看 2.1. 基础tensor函数 2.2. 类numpy方法 2.2.1. 特殊矩阵创建方法 2.2.2. 随机矩阵创建方法 2.2.3. like方法 2.2.4. 序列创建方法 3. Tensor的组合与分块 3.1. 组合操作 3.2. 分块操作 4. Tensor的索引 4.1. 下标索引 4.2. 选择索引 5. Tensor的维度变形 ...
简而言之一句话,就像python里的int,float,string等数据类型一样,tensor就是深度学习框架的基本数据类型,以至于Google的深度学习框架名字就叫TensorFlow,就是“张量的流”的意思。 1.1.1.1.1 Tensor(张量) 我们初始化一个3行2列的矩阵,直接把数组直接赋值给torch.Tensor,可以通过Tensor的size函数查看张量的维度。 >>>...
查找tensor中大于1的值 要找出tensor中大于1的值,可以使用PyTorch提供的函数进行索引操作。下面是一个简单的示例代码: 代码解读 importtorch# 创建一个随机的tensorx=torch.randn(3,3)# 打印出原始tensorprint("Original tensor:")print(x)# 找出大于1的值mask=x>1result=x[mask]# 打印出大于1的值print("Valu...
torch.ones(data):创建全1的Tensor。 >>> torch.ones(2,3)tensor([[1.,1.,1.],[1.,1.,1.]]) torch.zeros(data):创建全0的Tensor。 >>> torch.zeros(2,3)tensor([[0.,0.,0.],[0.,0.,0.]]) torch.eye(*size):创建对角Tensor。
torch.ones(size)全部是1的tensor torch.ones_like(input)返回跟input的tensor一个size的全一tensor torch.arange(start=0, end, step=1)返回一个从start到end的序列,可以只输入一个end参数,就跟python的range() 一样了。实际上PyTorch也有range(),但是这个要被废掉了,替换成arange了 ...
1. 2. 3. 4. 5. 6. 7. Squeese/unsqueeze unsqueeze 可以添加更高维度。参数为非负数的话在之前插入维度,负数的话在索引之后插入 举例: 当维度不同的Tensor相加的时候,要先用unsqueeze进行维度展开,然后将各个维度大小进行变换后相加: squeeze:删减维度,无参数则挤压掉所有可以挤压的维度(dim size=1的维度)...
ComplexTensor[real]: generated_tensor_1.real - place: CPUPlace - shape: [2, 2] - layout: NCHW - dtype: float - data: [1 2 3 4] ComplexTensor[imag]: generated_tensor_1.imag - place: CPUPlace - shape: [2, 2] - layout: NCHW - dtype: float - data: [1 2 3 4] ...
1.tensor的切片、合并、变形、抽取操作 这里简单总结一些重要的tensor基本操作: torch.cat(seq, dim=0, out=None)把一堆tensor丢进去,按照dim指定的维度拼接、堆叠在一起. 比如: 代码语言:javascript 复制 In[70]:x=torch.tensor([[1,2,3]])In[71]:x ...
print(B)tensor([0,1,2,100,4]) tensor([2,100,4]) 因此我们可以得出结论,通过=直接赋值的操作其实就是“浅拷贝”(这里注意和list的切片区分,list使用A[2:],是可以得到新的一个list的) 二、tensor的stride()属性、storage_offset()属性 为了更好的解释tensor的reshape(),以及view()的操作,我们还需要了...