#tensor和numpy

import torch

import numpy as np

numpy_tensor = np.random.randn(3,4)

print(numpy_tensor)

#将numpy的ndarray转换到tendor上

pytorch_tensor1 = torch.Tensor(numpy_tensor)

pytorch_tensor2 = torch.from_numpy(numpy_tensor)

print(pytorch_tensor1)

print(pytorch_tensor2)

#将pytorch的tensor转换到numpy的ndarray

numpy_array = pytorch_tensor1.numpy()   #如果pytorch在cpu上

print(numpy_array)

#tensor的一些属性,得到tensor的大小

print(pytorch_tensor1.shape)

print(pytorch_tensor1.size())

print(pytorch_tensor1.type()) #得到tensor的数据类型

print(pytorch_tensor1.dim()) #得到tensor的维度

print(pytorch_tensor1.numel()) #得到tensor所有元素的个数

x = torch.rand(3,2)

x.type(torch.DoubleTensor)

print(x)

np_array = x.numpy()

print(np_array.dtype)

[[ 1.05174423  1.09272735  0.46027768 -0.03255727]
[ 0.57027229 1.22165706 -0.77909099 -0.17678552]
[ 0.02112402 -1.08971068 0.72317744 -1.45482622]]
tensor([[ 1.0517, 1.0927, 0.4603, -0.0326],
[ 0.5703, 1.2217, -0.7791, -0.1768],
[ 0.0211, -1.0897, 0.7232, -1.4548]])
tensor([[ 1.0517, 1.0927, 0.4603, -0.0326],
[ 0.5703, 1.2217, -0.7791, -0.1768],
[ 0.0211, -1.0897, 0.7232, -1.4548]], dtype=torch.float64)
[[ 1.0517442 1.0927273 0.46027768 -0.03255726]
[ 0.57027227 1.221657 -0.779091 -0.17678553]
[ 0.02112402 -1.0897107 0.72317743 -1.4548262 ]]
torch.Size([3, 4])
torch.Size([3, 4])
torch.FloatTensor
2
12
tensor([[0.1810, 0.5168],
[0.9859, 0.1294],
[0.9262, 0.6952]])
float32

#Tensor的操作1

import torch

x = torch.ones(2,3)

print(x)

print(x.type())

x = x.long()

print(x.type())

x = x.float()

print(x.type())

y = torch.rand(3,4)

print(y)

#沿着行取最大值

maxval,maxindex = torch.max(y,dim=1)

print(maxval,'\n',maxindex)

#沿着行对y求和

sum = torch.sum(y,dim=1)

print(sum)

tensor([[1., 1., 1.],
[1., 1., 1.]])
torch.FloatTensor
torch.LongTensor
torch.FloatTensor
tensor([[0.8910, 0.0130, 0.9600, 0.6760],
[0.5184, 0.6240, 0.9589, 0.2151],
[0.6904, 0.3474, 0.7502, 0.2055]])
tensor([0.9600, 0.9589, 0.7502])
tensor([2, 2, 2])
tensor([2.5400, 2.3164, 1.9936])

#Tensor操作2

import torch

x = torch.rand(3,2)

print(x)

print(x.size())

#增加一个维度

x = x.unsqueeze(0)

print(x.size())

#减少一个维度

x = x.squeeze(0)

print(x.size())

#增加回来

x = x.unsqueeze(1)

print(x.size())

#使用permute和transpose来对矩阵维度进行变换

#permute 可以重新排列tensor的维度

#transpose 可以交换两个维度

x = x.permute(1,0,2)

print(x.size())

x = x.transpose(0,2)

print(x.size())

tensor([[0.9131, 0.2160],
[0.0987, 0.5013],
[0.1715, 0.8862]])
torch.Size([3, 2])
torch.Size([1, 3, 2])
torch.Size([3, 2])
torch.Size([3, 1, 2])
torch.Size([1, 3, 2])
torch.Size([2, 3, 1])

#使用view对tensor进行reshape

import torch

x = torch.rand(3,4,5)

print(x.shape)

x = x.view(-1,5)

print(x.size())

x = x.view(60)

print(x.shape)

#两个Tensor求和

a = torch.rand(3,4)

b = torch.rand(3,4)

c = a + b

print(c)

z = torch.add(a,b)

print(z)

torch.Size([3, 4, 5])
torch.Size([12, 5])
torch.Size([60])
tensor([[0.8822, 1.3766, 1.3586, 0.8951],
[1.0096, 0.5511, 0.2035, 0.9684],
[1.2502, 0.0963, 1.3955, 0.9479]])
tensor([[0.8822, 1.3766, 1.3586, 0.8951],
[1.0096, 0.5511, 0.2035, 0.9684],
[1.2502, 0.0963, 1.3955, 0.9479]])

import torch

x = torch.ones(4,4)

print(x)

x[1:3,1:3] = 2

print(x)

tensor([[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]])
tensor([[1., 1., 1., 1.],
[1., 2., 2., 1.],
[1., 2., 2., 1.],
[1., 1., 1., 1.]])

pytorch之Tensor的更多相关文章

  1. 对pytorch中Tensor的剖析

    不是python层面Tensor的剖析,是C层面的剖析. 看pytorch下lib库中的TH好一阵子了,TH也是torch7下面的一个重要的库. 可以在torch的github上看到相关文档.看了半天 ...

  2. pytorch中tensor数据和numpy数据转换中注意的一个问题

    转载自:(pytorch中tensor数据和numpy数据转换中注意的一个问题)[https://blog.csdn.net/nihate/article/details/82791277] 在pyt ...

  3. [Pytorch]Pytorch中tensor常用语法

    原文地址:https://zhuanlan.zhihu.com/p/31494491 上次我总结了在PyTorch中建立随机数Tensor的多种方法的区别. 这次我把常用的Tensor的数学运算总结到 ...

  4. [Pytorch]Pytorch的tensor变量类型转换

    原文:https://blog.csdn.net/hustchenze/article/details/79154139 Pytorch的数据类型为各式各样的Tensor,Tensor可以理解为高维矩 ...

  5. Pytorch的tensor数据类型

    基本类型 torch.Tensor是一种包含单一数据类型元素的多维矩阵. Torch定义了七种CPU tensor类型和八种GPU tensor类型: Data tyoe CPU tensor GPU ...

  6. pytorch中tensor张量数据基础入门

    pytorch张量数据类型入门1.对于pytorch的深度学习框架,其基本的数据类型属于张量数据类型,即Tensor数据类型,对于python里面的int,float,int array,flaot ...

  7. pytorch之Tensor与Variable的区别

    首先在变量的操作上:Tensor对象支持在原对象内存区域上修改数据,通过“+=”或者torch.add()方法而Variable不支持在原对象内存区域上修改数据Variable对象可求梯度,并且对Va ...

  8. pytorch 创建tensor的几种方法

    tensor默认是不求梯度的,对应的requires_grad是False. 1.指定数值初始化 import torch #创建一个tensor,其中shape为[2] tensor=torch.T ...

  9. pytorch中tensor的属性 类型转换 形状变换 转置 最大值

    import torch import numpy as np a = torch.tensor([[[1]]]) #只有一个数据的时候,获取其数值 print(a.item()) #tensor转化 ...

随机推荐

  1. 简单转java-web项目

  2. 深入浅出SharePoint2010——请假系统实战

    一.需求分析文档 二.请假系统无代码解决方案 2.1 数据框架设计 2.2 权限设计 2.3 表单设计 2.4 工作流设计 2.5 门户主页设计 三.请假系统第三方解决方案(Nintex) 四.请假系 ...

  3. iOS模拟器命令xcrun simctl系列(自动化测试)

    1. 列出安装的可用的模拟器: xcrun instruments -s [如:iPhone 5s (9.0) [00AB3BB6-C5DC-45C7-804F-6B88F57C2AFF] (Simu ...

  4. TCP/IP 协议图--传输层中的 TCP 和 UDP

    TCP/IP 中有两个具有代表性的传输层协议,分别是 TCP 和 UDP. TCP 是面向连接的.可靠的流协议.流就是指不间断的数据结构,当应用程序采用 TCP 发送消息时,虽然可以保证发送的顺序,但 ...

  5. [T-ARA][그녀를 보면][看着那个女人的话]

    歌词来源:http://music.163.com/#/song?id=29343995 作曲 : 코난 [作曲 : Ko-nan] 作词 : 코난/로코 [作词 : Ko-nan-/lo-Ko] b ...

  6. iOS中 Proxy和的delegate区别

    在ios中使用proxy代理模式,经常容易和delegate委托模式混淆. 委托模式(delegate),是简单的强大的模式,可让一个对象扮演另外对象的行为.委托对象保持到另外对象的引用,并在适当的时 ...

  7. Calabash(葫芦娃)

    嘟嘟嘟 第一眼就觉得肯定某种是最短路,然后想了半天也不知道.然后就把送的50分写了,然后就爆搜,结果因为一个错误的剪枝竟然90分?!只能怪数据太水…… 考完试后听bin哥讲,说就是普通的最短路,只不过 ...

  8. DOM操作怎样添加、移除、移动、复制。创建和查找节点?

    (1)创建新节点 createDocumentFragment() //创建一个DOM片段 createElement() //创建一个具体的元素 createTextNode() //创建一个文本节 ...

  9. Kali-linux使用假冒令牌

    使用假冒令牌可以假冒一个网络中的另一个用户进行各种操作,如提升用户权限.创建用户和组等.令牌包括登录会话的安全信息,如用户身份识别.用户组和用户权限.当一个用户登录Windows系统时,它被给定一个访 ...

  10. Apollo深度磁盘清理

    摘要 在Apollo的使用过程中,会出现磁盘空间不足的情况,Apollo的官方提供的方法是删除apollo/data/log或者删除apollo/data/bag文件.但是即使删除了这些,磁盘空间并没 ...