pytorch创建tensor函数详情
更新时间：2022年03月22日 10:42:13 作者：就是一顿骚操作
这篇文章主要介绍了pytorch创建tensor函数详情，文章围绕tensor函数的相关自来哦展开详细内容的介绍，需要的小伙伴可以参考一下，希望对你有所帮助
1、通过复制数据构造张量
1.1 torch.tensor()
torch.tensor([[0.1, 1.2], [2.2, 3.1], [4.9, 5.2]])
Out[111]:
tensor([[0.1000, 1.2000],
[2.2000, 3.1000],
[4.9000, 5.2000]])
torch.tensor([0, 1])
Out[112]: tensor([0, 1])
torch.tensor([[0.11111, 0.222222, 0.3333333]],
dtype=torch.float64, device=torch.device('cpu'))
Out[113]: tensor([[0.1111, 0.2222, 0.3333]], dtype=torch.float64)
torch.tensor(3.14159)
Out[114]: tensor(3.1416)
torch.tensor([])
Out[115]: tensor([])
torch.tensor([[0.11111, 0.222222, 0.3333333]],
dtype=torch.float64, device=torch.device('cpu'), requires_grad=True, pin_memory=False)
Out[117]: tensor([[0.1111, 0.2222, 0.3333]], dtype=torch.float64, requires_grad=True)dtype（torch.dtype，可选）–返回张量的所需数据类型。默认值：如果没有，则根据数据推断数据类型。device（torch.device，可选）–构造张量的装置。如果没有，并且数据是张量，那么就使用数据设备。如果没有且数据不是张量，则结果张量在CPU上构造。require_grad（bool，可选）– 是否需要保留梯度信息。默认值：False。pin_memory（bool，可选）–如果设置了，返回的张量将分配到pind内存中。仅适用于CPU张量。默认值：False。
1.2 将numpy的ndarray转为tensor
>>> a = numpy.array([1, 2, 3])
>>> t = torch.as_tensor(a)
>>> t
tensor([1, 2, 3])
>>> t[0] = -1
>>> a
array([-1, 2, 3])
>>> a = numpy.array([1, 2, 3])
>>> t = torch.as_tensor(a, device=torch.device('cuda'))
>>> t[0] = -1
>>> a
array([1, 2, 3])
t = torch.as_tensor([2, 2, 2], device=torch.device('cuda'))
>>> t
tensor([2, 2, 2], device='cuda:0')
a = numpy.array([1, 2, 3])
t = torch.from_numpy(a)
t
Out[38]: tensor([1, 2, 3])
t[0] = -1
a
Out[40]: array([-1, 2, 3])2、生成全0或者全1的tensor
torch.zeros(2, 3) Out[41]: tensor([[0., 0., 0.], [0., 0., 0.]]) torch.zeros(5) Out[42]: tensor([0., 0., 0., 0., 0.]) torch.ones(2, 3) Out[43]: tensor([[1., 1., 1.], [1., 1., 1.]]) torch.ones(5) Out[44]: tensor([1., 1., 1., 1., 1.])
参数列表:
out：输出的对象dtype:返回的张量的所需数据类型。默认值：如果没有，则使用全局默认值（请参阅torch.set_Default_tensor_type（））。layoutdevice: 构造张量的装置。如果没有，并且数据是张量，那么就使用数据设备。如果没有且数据不是张量，则结果张量在CPU上构造。requires_grad: 是否需要保留梯度信息。默认值：False。
3、生成序列
3.1、 生成一个指定步长的等差序列
torch.arange(5) Out[45]: tensor([0, 1, 2, 3, 4]) torch.arange(1, 4) Out[46]: tensor([1, 2, 3]) torch.arange(1, 2.5, 0.5) Out[47]: tensor([1.0000, 1.5000, 2.0000])
start: 点集的开始值。默认值：0。end: 点集的结束值step: 每对相邻点之间的间隙。默认值：1，可以是小数。
3.2 生成一个指定步数的等差数列
torch.linspace(3, 10, steps=5) Out[49]: tensor([ 3.0000, 4.7500, 6.5000, 8.2500, 10.0000]) torch.linspace(-10, 10, steps=5) Out[50]: tensor([-10., -5., 0., 5., 10.]) torch.linspace(start=-10, end=10, steps=1) Out[51]: tensor([-10.])
4、生成指定大小的单位矩阵
torch.eye(3) Out[58]: tensor([[1., 0., 0.], [0., 1., 0.], [0., 0., 1.]])
5、生成一个指定大小张量
torch.empty((2,3), dtype=torch.int64) Out[59]: tensor([[0, 0, 0], [0, 0, 2]])
6、 创建一个指定大小的张量。张量的数据是填充的指定值
torch.full((2, 3), 3.141592) Out[67]: tensor([[3.1416, 3.1416, 3.1416], [3.1416, 3.1416, 3.1416]])
到此这篇关于pytorch创建tensor函数详情的文章就介绍到这了,更多相关pytorch创建tensor函数内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
您可能感兴趣的文章:
相关文章
这篇文章主要介绍了python使用py2neo创建neo4j的节点和关系，第一步使用py2neo连接neo4j的方法然后根据dict创建Node，更多相关资料需要的朋友参考下面文章内容2022-02-02
这篇文章主要介绍了numpy.random.shuffle打乱顺序函数的实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2019-09-09
self.layers 是一个用于存储网络层的属性,本文主要介绍了PyTorch中self.layers的使用小结,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧2024-01-01
今天小编就为大家分享一篇TensorFlow tensor的拼接实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-01-01
用Python(Tornado)模拟登录小米帐号,抢小米手机2013-11-11
这篇文章主要介绍了Python识别验证码的实现示例，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2020-09-09
这篇文章主要介绍了Python Scrapy图片爬取原理及代码实例,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2020-06-06
凸包（Convex Hull）是一个计算几何（图形学）中的概念。这篇文章主要为大家详细介绍了Python绘制凸包的示例代码，感兴趣的小伙伴可以了解一下2023-05-05
这篇文章主要为大家详细介绍了如何利用Python实现监听目录并取消文件只读属性，文中的示例代码讲解详细，感兴趣的小伙伴可以跟随小编一起学习一下2023-07-07
python绘制子图技巧之plt.subplot、plt.subplots及坐标轴修改
一个图片里边绘制多个图像是绘图中的常见需求,下面这篇文章主要给大家介绍了关于python绘制子图技巧之plt.subplot、plt.subplots及坐标轴修改的相关资料,文中通过实例代码介绍的非常详细,需要的朋友可以参考下2022-05-05
最新评论