一、创建Tensor

特殊方法:

t.arange(1,6,2)
t.linspace(1,10,3)
t.randn(2,3) # 标准分布,*size
t.randperm(5) # 随机排序,从0到n
t.normal(means=t.arange(0, 11), std=t.arange(1, 0, -0.1))

概览:

"""创建空Tensor"""
a = t.Tensor(2, 3)
# 创建和b大小一致的Tensor
c = t.Tensor(a.size())
print(a,c) # 数值取决于内存空间状态
-9.6609e+30  7.9594e-43 -4.1334e+27
7.9594e-43 -4.1170e+27 7.9594e-43
[torch.FloatTensor of size 2x3] -9.6412e+30 7.9594e-43 -9.6150e+30
7.9594e-43 -4.1170e+27 7.9594e-43
[torch.FloatTensor of size 2x3]
"""由list/tuple创建Tensor"""
b = t.Tensor([[1,2,3],[4,5,6]])
print(b) # 根据list初始化Tensor print(b.tolist())
print(b) # 并非inplace转换
 1  2  3
4 5 6
[torch.FloatTensor of size 2x3] [[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]] 1 2 3
4 5 6
[torch.FloatTensor of size 2x3]
# 等价写法,查看元素个数(2*3=6)
print(b.numel())
print(b.nelement())
6
6
# 传入tuple等价于传入list
d = t.Tensor((2,3))
print(d)
 2
3
[torch.FloatTensor of size 2]
"""创建特定Tensor"""
print(t.eye(2,3))
print(t.ones(2,3))
print(t.zeros(2,3))
print(t.arange(1,6,2))
print(t.linspace(1,10,3))
# 几个特殊初始化方法
print(t.randn(2,3)) # 标准分布,*size
print(t.randperm(5)) # 随机排序,从0到n
print(t.normal(means=t.arange(0, 11), std=t.arange(1, 0, -0.1)))
 1  0  0
0 1 0
[torch.FloatTensor of size 2x3] 1 1 1
1 1 1
[torch.FloatTensor of size 2x3] 0 0 0
0 0 0
[torch.FloatTensor of size 2x3] 1
3
5
[torch.FloatTensor of size 3] 1.0000
5.5000
10.0000
[torch.FloatTensor of size 3] -0.9959 -0.8446 0.7241
3.0315 -0.5367 1.0722
[torch.FloatTensor of size 2x3] 4
3
2
1
0
[torch.LongTensor of size 5] -0.5880
1.2708
1.5530
3.2490
4.7693
4.9497
6.0663
6.1482
7.9109
8.9492
10.0000
[torch.FloatTensor of size 11]

二、尺度调整

特殊方法:

a.view(-1,3)
b.unsqueeze_(0)
b.resize_(3,3)

概览:

a = t.arange(0,6)
print(a.view(2,3)) # 非inplace
print(a.view(-1,3)) # -1为自动计算大小
 0  1  2
3 4 5
[torch.FloatTensor of size 2x3] 0 1 2
3 4 5
[torch.FloatTensor of size 2x3]
b = a.view(-1,3)
b.unsqueeze_(0)
print(b)
print(b.size())
(0 ,.,.) =
0 1 2
3 4 5
[torch.FloatTensor of size 1x2x3] torch.Size([1, 2, 3])
c = b.view(1,1,1,2,3)
print(c.squeeze_(0)) # 压缩第0个1
print(c.squeeze_()) # 压缩全部的1
(0 ,0 ,.,.) =
0 1 2
3 4 5
[torch.FloatTensor of size 1x1x2x3] 0 1 2
3 4 5
[torch.FloatTensor of size 2x3]
# view要求前后元素数相同,resize_没有这个要求
# resize_没有对应的非inplace操作版本
print(b.resize_(1,3))
print(b.resize_(3,3))
print(b)
 0  1  2
[torch.FloatTensor of size 1x3] 0.0000e+00 1.0000e+00 2.0000e+00
3.0000e+00 4.0000e+00 5.0000e+00
3.3845e+15 0.0000e+00 0.0000e+00
[torch.FloatTensor of size 3x3] 0.0000e+00 1.0000e+00 2.0000e+00
3.0000e+00 4.0000e+00 5.0000e+00
3.3845e+15 0.0000e+00 0.0000e+00
[torch.FloatTensor of size 3x3]

『PyTorch』第五弹_深入理解Tensor对象_上:初始化以及尺寸调整的更多相关文章

  1. 『PyTorch』第五弹_深入理解autograd_上:Variable属性方法

    在PyTorch中计算图的特点可总结如下: autograd根据用户对variable的操作构建其计算图.对变量的操作抽象为Function. 对于那些不是任何函数(Function)的输出,由用户创 ...

  2. 『PyTorch』第五弹_深入理解autograd_下:函数扩展&高阶导数

    一.封装新的PyTorch函数 继承Function类 forward:输入Variable->中间计算Tensor->输出Variable backward:均使用Variable 线性 ...

  3. 『PyTorch』第五弹_深入理解autograd_中:Variable梯度探究

    查看非叶节点梯度的两种方法 在反向传播过程中非叶子节点的导数计算完之后即被清空.若想查看这些变量的梯度,有两种方法: 使用autograd.grad函数 使用hook autograd.grad和ho ...

  4. 『PyTorch』第五弹_深入理解Tensor对象_中下:数学计算以及numpy比较_&_广播原理简介

    一.简单数学操作 1.逐元素操作 t.clamp(a,min=2,max=4)近似于tf.clip_by_value(A, min, max),修剪值域. a = t.arange(0,6).view ...

  5. 『PyTorch』第五弹_深入理解Tensor对象_下:从内存看Tensor

    Tensor存储结构如下, 如图所示,实际上很可能多个信息区对应于同一个存储区,也就是上一节我们说到的,初始化或者普通索引时经常会有这种情况. 一.几种共享内存的情况 view a = t.arang ...

  6. 『PyTorch』第五弹_深入理解Tensor对象_中上:索引

    一.普通索引 示例 a = t.Tensor(4,5) print(a) print(a[0:1,:2]) print(a[0,:2]) # 注意和前一种索引出来的值相同,shape不同 print( ...

  7. 『PyTorch』第四弹_通过LeNet初识pytorch神经网络_下

    『PyTorch』第四弹_通过LeNet初识pytorch神经网络_上 # Author : Hellcat # Time : 2018/2/11 import torch as t import t ...

  8. 『PyTorch』第三弹重置_Variable对象

    『PyTorch』第三弹_自动求导 torch.autograd.Variable是Autograd的核心类,它封装了Tensor,并整合了反向传播的相关实现 Varibale包含三个属性: data ...

  9. 『PyTorch』第十弹_循环神经网络

    RNN基础: 『cs231n』作业3问题1选讲_通过代码理解RNN&图像标注训练 TensorFlow RNN: 『TensotFlow』基础RNN网络分类问题 『TensotFlow』基础R ...

随机推荐

  1. python之路----常用模块二

    collections模块 在内置数据类型(dict.list.set.tuple)的基础上,collections模块还提供了几个额外的数据类型:Counter.deque.defaultdict. ...

  2. Eclipse中的工程引入jar包后没有整合到一个文件夹而是全部在根目录下显示

    Eclipse中的工程引入jar包后没有整合到一个文件夹而是全部在根目录下显示 解决方案: 1,在Eclipse中,点击window-->Preferences-->Java-->B ...

  3. VIM 使用心得

    序 到百度外卖任职以后,发现在我们部门无论 mac 还是 windows,程序员们清一色地都在使用 VIM 来编辑代码,期间穿插着各种插件.快捷键.眼花缭乱的命令.我在大学时只会极少的 VIM 命令, ...

  4. 20145318《网络对抗》Web应用

    20145318<网络对抗>Web应用 基础问题回答 (1)什么是表单 在网页中负责信息采集,在网页中用户输入信息,通过表单能够提交到后台进行相应的处理 (2)浏览器可以解析运行什么语言 ...

  5. TP/TCP/UDP

    这两周我继续学习CCSDS协议栈中位于传输层较低位置的SCPS-TP协议,并且复习了TCP/IP体系中的TCP协议和UDP协议,通过学习和对比两个体系的协议,加深了我对SCPS-TP协议的认识和理解. ...

  6. NRF24L01通信频率

    RF-CH 共包括六位,这六位决定了不同的工作方式频率,nRF24L01无线通信模块中工作通道频率由RF-CH寄存器的内容确定, 可由以下公式计算得出:Fo=(2400+RF-CH)MHz. 扩展:射 ...

  7. Delphi XE5 for Android (五)

    Android程序开发必然用到按钮,在XE5下,按钮的一个比较重要的属性就是StyleLookup,预置了一系列常用的图标,如下图: 另外2个常用属性就是: GroupName和IsPressed:一 ...

  8. 【前端】纯html+css+javascript实现楼层跳跃式的页面布局

    实现效果演示: 实现代码及注释: <!DOCTYPE html> <html> <head> <title>楼层跳跃式的页面布局</title&g ...

  9. Python3基础 pickle.dump和load 对一个对象进行序列化存储及读取

             Python : 3.7.0          OS : Ubuntu 18.04.1 LTS         IDE : PyCharm 2018.2.4       Conda ...

  10. LTE-A 载波聚合(Carrier Aggregation)介绍【转】

    本文转自:https://blog.csdn.net/txgc1009/article/details/46467255 载波聚合(Carrier Aggregation) 首先介绍几个基本概念 Pr ...