pytorch2——Pytorch基础数据结构——张量(深度之眼)

最新推荐文章于 2024-11-17 19:42:41 发布

flying_1314

最新推荐文章于 2024-11-17 19:42:41 发布

阅读量431

点赞数 1

CC 4.0 BY-SA版权

分类专栏： Pytorch框架文章标签： pytorch Tensor张量

本文链接：https://blog.csdn.net/flying_1314/article/details/103995078

Pytorch框架专栏收录该内容

4 篇文章

订阅专栏

本文详细介绍了PyTorch中的核心数据结构——张量，包括其与向量、矩阵和标量的关系，以及Variable的概念和功能。通过实例演示了张量的创建方法，如直接创建、依据数值创建及依概率分布创建，展示了与NumPy数组之间的内存共享特性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前情提要

在上一篇文章中，我们详细介绍了如何搭建一个pytorch的环境，那么本篇文章我们即将揭开pytorch的神秘面纱，了解pytorch中的数据结构——Tensor。

概念问答

张量是什么？	张量是一个多维数组。
张量与矩阵、向量、标量的关系是怎么样的呢	张量是标量、向量、矩阵的高维拓展
什么是Variable？	Variable是 torch.autograd 中的数据类型主要用于封装Tensor ，进行自动求导
Variable“赋予”张量有什么功能？	它赋予了张量一些属性(grad：数据的梯度,grad_fn：创建张量的function,requires_grad：是否需要梯度,is_leaf：是否是叶子节点(张量))

实操(张量的创建)

方法一：直接创建torch.tensor

    
import torch
import numpy as np
    arr = np.ones((3, 3))
    print("ndarray的数据类型：", arr.dtype)
    # t = torch.tensor(arr, device='cuda')在gpu下跑
    t = torch.tensor(arr)

    print(t)

采用torch.from_numpy创建张量，并打印查看ndarray和张量数据的地址

#实验发现:从 torch.from_numpy 创建的 tensor 与原 ndarray 共享内存 ，当修
改其中一个的数据，另外一个也将会被改动
    arr = np.array([[1, 2, 3], [4, 5, 6]])
    t = torch.from_numpy(arr)
    # print("numpy array: ", arr)
    # print("tensor : ", t)

    # print("\n修改arr")
    # arr[0, 0] = 0
    # print("numpy array: ", arr)
    # print("tensor : ", t)

    print("\n修改tensor")
    t[0, 0] = -1
    print("numpy array: ", arr)
    print("tensor : ", t)

方法二：依据数值创建

方式比较多，后续会详细罗列，比如torch.zeros()

方法三：依概率分布创建张量

实现torch.normal()创建张量的四种模式（也就是正态分布的四种模式）

mean是标量	std是标量
mean是标量	std是张量
mean是张量	std是标量
mean是张量	std是张量

    #python代码的实现
    # mean：张量 std: 张量
    # mean = torch.arange(1, 5, dtype=torch.float)
    # std = torch.arange(1, 5, dtype=torch.float)
    # t_normal = torch.normal(mean, std)
    # print("mean:{}\nstd:{}".format(mean, std))
    # print(t_normal)

    # mean：标量 std: 标量
    # t_normal = torch.normal(0., 1., size=(4,))
    # print(t_normal)

    # mean：张量 std: 标量
    mean = torch.arange(1, 5, dtype=torch.float)
    std = 1
    t_normal = torch.normal(mean, std)
    print("mean:{}\nstd:{}".format(mean, std))
    print(t_normal)