PyTorch一维张量用法图解

本文概述

• 创建一维张量
• 在Tensor中检查元素的数据类型
• 访问Tensor的元素
• 访问具有指定范围的Tensor元素
• 使用Integer元素创建浮点张量
• 查找张量的大小
• 更改张量视图
• 使用numpy数组的张量

众所周知, PyTorch已被深度学习世界所接受, 因为它能够方便地定义神经网络。神经网络从根本上构成了传感器, 而PyTorch也围绕传感器构建。性能往往会大大提高。张量模糊地是矩阵的一般化。

一维张量类似于一维矩阵。一维张量只有一行一列, 称为矢量。还有一个零维张量, 也称为标量。

现在我们将讨论在张量上执行的操作。

我们也可以使用Google Colab编写Tensor的代码。访问Google Colab非常简单。对于Google Colab, 不需要任何设置。它完全在云上运行。

Google Colab与Jupyter Notebook类似。使用Google Colab时, 许多软件包已为我们预装。不幸的是, 割炬不是其中之一, 因此我们必须首先使用！pip3 install torch命令安装割炬。

现在, 我们将在一维张量上执行该操作。

创建一维张量

为了创建一维张量, 我们使用了Torch库的张量属性。要创建张量, 我们使用torch.tensor()方法。

创建一维张量的语法如下：

n= torch.tensor([Tensor elements])

在这里, n是张量类型的变量, 张量元素可以是(, )之后的任何整数或浮点数。

例子

import torch
n=torch.tensor([1, 2, 3, 4])
print(n)

输出

tensor([1, 2, 3, 4])

在Tensor中检查元素的数据类型

我们可以检查Tensor中包含的元素的数据类型。我们使用Tensor的dtype()查找数据类型。

例子

import torch
n=torch.tensor ([1.0, 2.0, 3.0])
print (n.dtype)

输出

torch.float32

访问Tensor的元素

我们可以借助该元素的索引访问Tensor的元素。如果要打印张量的所有元素, 则可以打印张量变量。与一维指标索引一样, Tensor索引也从0开始。

例子

import torch
n=torch.tensor([1.0, 2.0, 3.0])
print(n[2])

输出

tensor(3.)

访问具有指定范围的Tensor元素

通过传递以冒号(:)分隔的元素的开始索引或结束索引来访问指定范围的元素非常简单。它将跳过起始索引元素和打印元素, 直到结束索引。

例子

import torch
n=torch.tensor([1.0, 2.0, 3.0])
print(n[0:2])

输出

tensor (2.0, 3.0)

我们还有另一个示例, 它通过跳过由我们初始化的起始索引来打印所有元素。

例子

import torch
n=torch.tensor ([1.0, 2.0, 3.0])
print(n[0:])

输出

tensor (2.0, 3.0)

使用Integer元素创建浮点张量

我们可以使用整数元素创建浮点张量。在此, 我们使用PyTorch的FloatTensor属性。

例子

import torch
n=torch.FloatTensor([1, 2, 3, 4, 5, 6, 7])
print(n)

输出

tensor([1., 2., 3., 4., 5., 6., 7.])

查找张量的大小

就像一维指标一样, 我们也可以找到张量的大小。我们使用Tensor的size()方法获取大小。

例子

import torch
n=torch.FloatTensor([1, 2, 3, 4, 5, 6, 7])
print(n.size())

输出

torch.Size([7])

更改张量视图

Tensor具有可更改Tensor视图的属性。改变视图意味着张量是一维的(一行一列), 我们想将其视图改变六行一列。可以在Tensor的view()的帮助下进行更改。它类似于数组的reshape()。

例子

import torch
n=torch.FloatTensor([1, 2, 3, 4, 5, 6])
print(n)
n.view(6, 1)

输出

tensor ([1., 2., 3., 4., 5., 6.])
tensor([[1.], [2.], [3.], [4.], [5.], [6.]])

注意：我们也可以使用其他尺寸, 例如(3, 2), 但它应与我们的原始张量元素兼容。

使用numpy数组的张量

我们还可以使用numpy数组创建Tensor。我们必须借助焊炬的from_numpy()将numpy数组转换为Tensor。为此, 我们首先必须初始化numpy, 然后创建一个numpy数组。

例子

import torch
import numpy as np
a=np.array([1, 2, 3, 4, 5, 6])
tensorcon=torch.from_numpy(a)
print(tensorcon)
print(tensorcon.type())

输出

tensor([1, 2, 3, 4, 5, 6])
torch.LongTensor