关于张量的基本概念及其运算

### PyTorch 张量概述 PyTorch中的张量(Tensor)是多维数组的一种实现形式，可以看作是一个n维矩阵。张量不仅支持多种数值类型的存储，还能够高效地执行各种数学运算和自动求导功能[^1]。 ### 创建张量的方式 创建张量有多种途径： - 使用`torch.tensor()`函数可以直接由Python列表或其他序列类型的数据构建一个新的张量对象； - `torch.zeros()`, `torch.ones()`, 和 `torch.empty()`分别用来生成全零、全一或未初始化的指定形状的新张量； - 利用随机数分布如均匀分布(`torch.rand`)或者正态分布(`torch.randn`)来快速填充新建立的张量实例； ```python import torch # 通过具体值创建张量 data_tensor = torch.tensor([[1., -1.], [1., -1.]]) print(data_tensor) # 创建特定形状的全0/全1张量 zero_tensor = torch.zeros((2, 3)) one_tensor = torch.ones((2, 3)) # 构建一个空张量（不推荐） empty_tensor = torch.empty((2, 3)) # 随机初始化张量 random_uniform_tensor = torch.rand((2, 3)) # 均匀分布 random_normal_tensor = torch.randn((2, 3)) # 正态分布 ``` ### 执行基本运算 对于两个相同维度大小的张量A与B而言，加法(A+B)，减法(A-B),乘法(A*B)(逐元素相乘)，除法(A/B)均被良好定义并可直接调用相应操作符完成计算。此外还有诸如点积(dot product)`torch.dot(a,b)`、矩阵乘法(matrix multiplication)`torch.mm(mat_a, mat_b)`等高级线性代数运算可供选用。 ### 形状变换 调整张量形态主要依赖于`.view()`, `.reshape()`, 或者更灵活的`.transpose(dim0,dim1)`方法来进行转置操作。这些API允许改变现有张量的空间布局而不影响其内部数据排列顺序。 ```python original_tensor = torch.arange(12).view(3,4) transposed_tensor = original_tensor.transpose(0,1) reshaped_tensor = original_tensor.reshape(-1,) ``` ### 图像预处理技术 针对计算机视觉领域内的应用需求，PyTorch提供了丰富的工具集用于图像加载、裁剪、缩放、翻转乃至色彩空间转换等一系列常见任务。特别是借助 torchvision.transforms 模块下的类接口，开发者能轻松定制复杂的图片预处理流水线[^2]. #### 实现图像标准化流程如下所示: ```python from torchvision import transforms from PIL import Image transform_pipeline = transforms.Compose([ transforms.Resize((256, 256)), # 将输入图像统一调整到固定尺寸 transforms.RandomCrop(224), # 对中心区域进行随机裁剪 transforms.ToTensor(), # 把PIL.Image读取的结果转化为tensor格式 transforms.Normalize(mean=[0.485, 0.456, 0.406], std =[0.229, 0.224, 0.225]) # 应用ImageNet上的统计参数做归一化处理 ]) img_path = 'example.jpg' input_image = Image.open(img_path) preprocessed_img = transform_pipeline(input_image) ```