引言

本篇介绍Pytorch的基础数据类型，判断方式以及常用向量

基础数据类型

torch.Tensor是一种包含单一数据类型元素的多维矩阵。
目前在1.2版本中有9种类型。

同python相比，pytorch没有string类型；
由于pytorch是面向计算的，对于字符这种通常通过编码下手；
怎样用数字的形式去表示语言（字符串）： NLP -> one-hot 或 Embedding（Word2vec，glove）

判断数据类型

打印数据类型：a.type()
打印的是基本的数据类型，没有提供额外的信息：type(a)
合法性检验：isinstance(a, torch.FloatTensor)

In[2]: import torch
In[3]: a = torch.randn(2,3)       //两维 ， 每个数字是由随机的正态分布来初始化的，均值是0 方差是1
In[4]: a.type()                   // 方法一：打印数据类型
Out[4]: 'torch.FloatTensor'
In[5]: type(a)				  	  // 方法二：较少
Out[5]: torch.Tensor
In[6]: isinstance(a, torch.FloatTensor)		// 方法三：合法性检验
Out[6]: True

同一个tensor部署在cpu和gpu时的数据类型是不一样的

In[7]: isinstance(a, torch.cuda.FloatTensor)
Out[7]: False
In[8]: a = a.cuda()
In[9]: isinstance(a, torch.cuda.FloatTensor)
Out[9]: True

标量 Dimension 0 / rank 0

1 2	In[12]: torch.tensor(1.3) Out[12]: tensor(1.3000)

loss 就是一个标量

查看标量的维度

len(a.shape)
a.dim()
len(a.size())

In[13]: a = torch.tensor(2.2)
In[14]: a.shape
Out[14]: torch.Size([])
In[15]: len(a.shape)
Out[15]: 0
In[16]: a.size()
Out[16]: torch.Size([])
In[17]: a.dim()
Out[17]: 0

常用向量

1维向量

torch.tensor([ 数据 ])
torch.FloatTensor(维度)
从numpy导入torch.from_numpy(data)

In[19]: torch.tensor([1.1])
Out[19]: tensor([1.1000])
In[20]: torch.tensor([1.1, 2.2])
Out[20]: tensor([1.1000, 2.2000])
In[21]: torch.FloatTensor(1)
Out[21]: tensor([0.])
In[22]: torch.FloatTensor(2)
Out[22]: tensor([-1.0842e-19,  1.8875e+00])
In[23]: import numpy as np
In[24]: data = np.ones(2)
In[25]: data
Out[25]: array([1., 1.])
In[26]: torch.from_numpy(data)
Out[26]: tensor([1., 1.], dtype=torch.float64)

dim为1的向量有 Bias

Linear Input 线性层的输入

从0.4版本增加了标量的表示，以前是[0.3]来表示标量，但这样语义上不太清晰。

1维的形状如何得到

.size
.shape

几个概念：

dim：指的是size/shape的长度

size/shape指的是具体的形状

tensor指的是具体的数字

2维向量

In[30]: a = torch.randn(2,3)        
In[31]: a
Out[31]: 
tensor([[-0.1353,  0.9325, -1.7155],
        [-1.9443,  0.3485,  0.6418]])
In[32]: a.shape
Out[32]: torch.Size([2, 3])
In[33]: a.size(0)
Out[33]: 2
In[34]: a.size(1)
Out[34]: 3
In[35]: a.shape[1]
Out[35]: 3

常用于带有batch的 Linear Input 例如 [4, 784] 4张784像素的图片

3维向量

形状：list(a.shape)

In[49]: a = torch.rand(1,2,3)     // 使用随机的均匀分布
In[50]: a
Out[50]: 
tensor([[[0.4700, 0.7649, 0.7688],
         [0.1973, 0.5232, 0.0038]]])
In[51]: a.shape
Out[51]: torch.Size([1, 2, 3])
In[52]: a[0]      // 取第一个维度的第零号元素 [2,3]
Out[52]: 
tensor([[0.4700, 0.7649, 0.7688],
        [0.1973, 0.5232, 0.0038]])
In[53]: list(a.shape)
Out[53]: [1, 2, 3]

场景：NLP文字处理

RNN Input Batch 例如 W,F[10, 100] 一个句子由10个单词构成，且每个单词由100维向量表示

W,S,F[10, 20, 100] 20个句子，每个句子由10个单词构成，且每个单词由100维向量表示

4维向量

In[54]: a = torch.rand(2,3,28,28)             //随即均匀化
In[55]: a
Out[55]: 
tensor([[[[0.2990, 0.3407, 0.0149,  ..., 0.7321, 0.9115, 0.4388],
          [0.2001, 0.0137, 0.1427,  ..., 0.5508, 0.4747, 0.2132],
          [0.0919, 0.7190, 0.0269,  ..., 0.9440, 0.5967, 0.4414],
          ...,
          [0.7014, 0.4306, 0.1627,  ..., 0.8383, 0.4709, 0.3334],
          [0.7733, 0.2284, 0.5533,  ..., 0.3841, 0.6881, 0.3352],
          [0.5796, 0.7640, 0.3492,  ..., 0.6319, 0.6660, 0.1536]],

         [[0.3840, 0.4825, 0.6113,  ..., 0.5034, 0.2546, 0.1246],
          [0.2549, 0.4116, 0.8511,  ..., 0.8956, 0.4064, 0.0360],
          [0.4601, 0.8654, 0.9965,  ..., 0.7325, 0.5524, 0.3354],
          ...,
          [0.0220, 0.1239, 0.6685,  ..., 0.6109, 0.7329, 0.2162],
          [0.1790, 0.0919, 0.0559,  ..., 0.6279, 0.9586, 0.4919],
          [0.8246, 0.1804, 0.6107,  ..., 0.5497, 0.6124, 0.1172]],

         [[0.4151, 0.1750, 0.6129,  ..., 0.1962, 0.3190, 0.0227],
          [0.2165, 0.9139, 0.3081,  ..., 0.7211, 0.2220, 0.1521],
          [0.7928, 0.9053, 0.7208,  ..., 0.9461, 0.2194, 0.5177],
          ...,
          [0.4514, 0.6893, 0.3093,  ..., 0.7236, 0.1157, 0.7789],
          [0.6290, 0.8666, 0.4240,  ..., 0.4480, 0.7474, 0.0391],
          [0.4798, 0.3155, 0.9216,  ..., 0.5462, 0.2013, 0.7234]]],

        [[[0.1887, 0.1911, 0.5820,  ..., 0.1653, 0.7776, 0.3725],
          [0.3350, 0.3595, 0.6138,  ..., 0.3139, 0.1971, 0.7547],
          [0.3334, 0.5563, 0.6428,  ..., 0.6337, 0.3126, 0.0349],
          ...,
          [0.9218, 0.2081, 0.9644,  ..., 0.1333, 0.1972, 0.1489],
          [0.9598, 0.0323, 0.7847,  ..., 0.8366, 0.9486, 0.1052],
          [0.2474, 0.6811, 0.1599,  ..., 0.2132, 0.0211, 0.4123]],

         [[0.6994, 0.0694, 0.3789,  ..., 0.2333, 0.3922, 0.5462],
          [0.5692, 0.1016, 0.0053,  ..., 0.4257, 0.2898, 0.3655],
          [0.9806, 0.3084, 0.0129,  ..., 0.8453, 0.6952, 0.6759],
          ...,
          [0.2060, 0.5261, 0.5321,  ..., 0.1070, 0.4960, 0.7185],
          [0.1417, 0.7306, 0.0398,  ..., 0.9186, 0.9080, 0.8449],
          [0.0294, 0.5325, 0.5534,  ..., 0.0995, 0.5660, 0.1330]],

         [[0.5168, 0.4303, 0.9170,  ..., 0.3214, 0.1818, 0.4606],
          [0.4073, 0.9889, 0.2090,  ..., 0.2702, 0.9984, 0.3591],
          [0.2428, 0.7390, 0.6293,  ..., 0.3361, 0.6701, 0.1649],
          ...,
          [0.7242, 0.7595, 0.5713,  ..., 0.3498, 0.6220, 0.9937],
          [0.0988, 0.9972, 0.5013,  ..., 0.9467, 0.6382, 0.4678],
          [0.7906, 0.0443, 0.1911,  ..., 0.2179, 0.5613, 0.8539]]]])
In[56]: a.shape
Out[56]: torch.Size([2, 3, 28, 28])

In[56]: a.shape
Out[56]: torch.Size([2, 3, 28, 28])
In[57]: a.numel()          //number of element 2*3*28*28  tensor占用内存的数量
Out[57]: 4704              
In[58]: a.dim()
Out[58]: 4

场景： CNN

[b, c, h, w] b：几张照片 c：通道 w：宽 h：高度

PS：在我们学习的过程中，一定要结合着物理意义去学习，就比如说我创建一个 [4,3,28,28] 的向量，这个向量有什么含义？当我们把向量进行matmul(矩阵相乘) 后，又有什么含义？不仅仅是为学习工具而去学习，而要时刻明白我这样做能达到什么样的效果。

Pytorch的基础数据类型的更多相关文章

【动手学pytorch】pytorch的基础操作
一.Tensor a) 张量是torch的基础数据类型 b) 张量的核心是坐标的改变不会改变自身性质. c) 0阶张量为标量(只有数值,没有方向的量),因为它不随 ...
[.net 面向对象编程基础] (3) 基础中的基础——数据类型
[.net 面向对象编程基础] (3) 基础中的基础——数据类型关于数据类型,这是基础中的基础. 基础..基础..基础.基本功必须要扎实. 首先,从使用电脑开始,再到编程,电脑要存储数据,就要按类型 ...
TypeScript学习指南第一章--基础数据类型(Basic Types)
基础数据类型(Basic Types) 为了搭建应用程序,我们需要使用一些基础数据类型比如:numbers,strings,structures,boolean等等. 在TypeScript中除了Ja ...
【Swift】学习笔记(一)——熟知基础数据类型,编码风格,元组,主张
自从苹果宣布swift之后,我一直想了解,他一直没有能够把它的正式学习,从今天开始,我会用我的博客来驱动swift得知,据我们了解还快. 1.定义变量和常量 var 定义变量,let定义常量. 比如 ...
二、Windows基础数据类型
六.Windows Data Types 简介: 6.1.这些数据类型都是C语言数据类型的再次的进行包装. 6.2.因为考虑到如果使用的是C中的基础数据类型可能无法表示,想表示的精准的含义. 6.3. ...
java基础数据类型包装类
*/ .hljs { display: block; overflow-x: auto; padding: 0.5em; color: #333; background: #f8f8f8; } .hl ...
java.lang基础数据类型boolean、char、byte、short、int、long、float、double (JDK1.8)
java.lang.Boolean public static int hashCode(boolean value) { return value ? 1231 : 1237; } JDK 1.8新 ...
Python基础数据类型之列表和元组
一.列表 list 列表是python中的基础数据类型之一,其他语言中也有类似于列表的数据类型,比如js中叫数组,他是以[]括起来,每个元素以逗号隔开,而且他里面可以存放各种数据类型比如: li ...
Python基础数据类型之字典
基础数据类型之字典 ps:数据类型划分:可变数据类型和不可变数据类型. 不可变数据类型:元组(tupe).布尔值(bool).整数型(int).字符串(str).不可变数据类型也称为可哈希. 可变 ...

随机推荐

net start mysql
net start mysql 解决的方法: 如何以管理员身份打开黑窗口左下角开始菜单,找到小娜,cmd 回车, 命令提示符右击,以管理员身份打开依次输入下面两行代码 mysqld -instal ...
利用ShardingSphere-JDBC实现分库分表
利用ShardingSphere-JDBC实现分库分表 1. ShardingSphere概述 1.1 概述业务发展到一定程度,分库分表是一种必然的要求,分库可以实现资源隔离,分表则可以降低单表数据 ...
ajax前台数据到后台
var username = $("#id").val(); var user={"userAccount":username,"userPasswo ...
Git revert -m
这其实是个非常简单的指令,甚至用AS,直接右键操作不需要两秒钟但今天使用命令行的方式操作的时候居然发现了点不一样的地方: 如下我希望revert某个commit,找到了它的id,跑一下命令之后居然发 ...
逆向破解之160个CrackMe —— 018
CrackMe —— 018 160 CrackMe 是比较适合新手学习逆向破解的CrackMe的一个集合一共160个待逆向破解的程序 CrackMe:它们都是一些公开给别人尝试破解的小程序,制作 c ...
Mysql主从同步配置方案（Centos7）
最近在做项目高可用时,需要使用数据同步.由于只有双节点,且采用主主同步可能存在循环同步的风险,故综合考虑采用Mysql主从同步(Master-Slave同步). 可能没有接触过Mysql数据同步时,可 ...
list 分组
Map<Long, List<LogDataVo>> corpIdMap = list.stream().collect(Collectors.groupingBy(LogDa ...
矩阵之间无循环计算L2距离
实现两个矩阵的无循环计算欧氏距离 Euclidean distance navigation: 1.问题描述 2.解决方法 1.问题来源 kNN算法中会计算两个矩阵的距离可以使用循环的方法来实现,效 ...
Ada and Coins
Ada and Coins 题意:钱包里有n种钱,然后有m次询问,询问[l,r]区间内能被表示的个数有几个. 题解:这道题是群主推荐我写的,然后让我用bitset去写,他说操作32个bitset需要 ...
详解RMQ-ST算法 ST模板
RMQ问题是求解区间最值的问题. 这里分析的是ST算法,它可以对所有要处理的数据做到O(nlogn)的预处理,对每个区间查询做到O(1)查询 ST算法本质是一个DP的过程这里通过举一个求最大值实例来 ...

Pytorch的基础数据类型