pytorch怎么用？Python深度学习初探
- 后端
- 猿友
- 0
一、Tensor
Tensor(张量是一个统称，其中包括很多类型)：
0阶张量：标量、常数、0-D Tensor；1阶张量：向量、1-D Tensor；2阶张量：矩阵、2-D Tensor；……二、Pytorch如何创建张量
2.1 创建张量
import torch
t = torch.Tensor([1, 2, 3])
print(t)
2.2 tensor与ndarray的关系
两者之间可以相互转化
import torch
import numpy as np
t1 = np.array(torch.Tensor([[1, 2, 3],
[1, 2, 3]]))
t2 = torch.Tensor(np.array([[1, 2, 3],
[1, 2, 3]]))
运行结果：
2.3 常用api
torch.empty(x,y)
创建x行y列为空的tensor。
torch.ones([x, y])
创建x行y列全为1的tensor。
torch.zeros([x,y])
创建x行y列全为0的temsor。
zeros与empty的区别
后者的数据类型是不固定的。
torch.rand(x, y)
创建3行4列的随机数，随机数是0-1。
torch.randint(low, high, size)
创建一个size的tensor，随机数为low到high之间。
torch.randn([x, y])
创建一个x行y列的tensor，随机数的分布式均值为0，方差1。
2.4 常用方法
item()：
获取tensor中的元素，注意只有一个元素的时候才可以用。
numpy()：
转化成ndarray类型。
size()
获取tensor的形状。
view()
浅拷贝，tensor的形状改变。
view(-1,2) ⇒ view(4, 2)； 参数只有-1，表示一维。
dim()
获取维度。
max()
获取最大值。
t()
转置。
transpose(x,y)
x，y是size里面返回的形状相换。
permute()
传入size()返回的形状的顺序。
transpose与permute的区别
前者传入列即可相互交换；后者传入列会根据传入的顺序来进行转化，且需要传入所有列数的索引。
取值[第一阶, 第二阶,……]
一个逗号隔开代表一个阶乘冒号代表全取
赋值[第一阶, 第二阶,……]
直接赋值即可
三、数据类型
3.1 获取数据类型
tensor.dtype
获取数据类型
设置数据类型
注意使用Tensor()不能指定数据类型。
type()
修改数据类型。
四、tensor的其他操作
4.1 相加
torch.add(x, y)
将x和y相加。
直接相加
tensor.add()
使用add_() 可相加后直接保存在tensor中
4.2 tensor与数字的操作
tensor + 数值
五、CUDA中的tensor
CUDA (Compute Unified Device Architecture)，是NVIDIA推出的运算平台。CUDATM是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。
torch.cuda这个模块增加了对CUDA tensor的支持，能够在cpu和gpu上使用相同的方法操作tensor通过.to方法能够把一个tensor转移到另外一个设备(比如从CPU转到GPU)
可以使用torch.cuda.is_available()判断电脑是否支持GPU
到此这篇pytorch怎么用的文章就介绍到这了,值得一提的是，本文力求精简所以在一些详细的地方并没有深入介绍，如果需要相应的收藏可以关注W3Cschool搜索相关的手册。
免责申明：本站发布的内容（图片、视频和文字）以转载和分享为主，文章观点不代表本站立场，如涉及侵权请联系站长邮箱：xbc-online@qq.com进行反馈，一经查实，将立刻删除涉嫌侵权内容。
