PyTorch中Tensor的數(shù)據(jù)類型和運算的使用
在使用Tensor時，我們首先要掌握如何使用Tensor來定義不同數(shù)據(jù)類型的變量。Tensor時張量的英文，表示多維矩陣，和numpy對應，PyTorch中的Tensor可以和numpy的ndarray相互轉換，唯一不同的是PyTorch可以在GPU上運行，而numpy的ndarray只能在cpu上運行。
常用的不同數(shù)據(jù)類型的Tensor，有32位的浮點型torch.FloatTensor, 64位浮點型 torch.DoubleTensor, 16位整形torch.ShortTensor, 32位整形torch.IntTensor和64位整形torch.LongTensor
一：Tensor的數(shù)據(jù)類型
1 torch.FloatTensor:用于生成數(shù)據(jù)類型為浮點型的Tensor，傳遞給torch.FloatTensor的參數(shù)可以是一個列表，也可以是一個維度值
2：torch.IntTensor：用于生成數(shù)據(jù)類型為整形的Tensor,傳遞給torch.IntTensor的參數(shù)可以是一個列表，也可以是一個維度值
3：torch.rand:用于生成數(shù)據(jù)類型為浮點型且維度指定的隨機Tensor,和在NumPy中使用的numpy.rand生成隨機數(shù)的方法類似，隨機生成的浮點數(shù)據(jù)在0-1區(qū)間均勻分布
4：torch.randn:用于生成數(shù)據(jù)類型為浮點型且維度指定的隨機Tensor,和在NumPy中使用numpy.randn生成隨機數(shù)的方法類似，隨機生成的浮點數(shù)的取值滿足均值為0，方差為1的正態(tài)分布
5：torch.range:用于生成數(shù)據(jù)類型為浮點型且自定義起始范圍和結束范圍的Tensor，所以傳遞給torch.range的參數(shù)有三個，分別是范圍的起始值，范圍的結束值和步長，其中，步長用于指定從起始值到結束值得每步得數(shù)據(jù)間隔
二：Tensor的運算
通過對Tensor數(shù)據(jù)類型的變量進行運算，來組合一些簡單或者復雜的算法，常用的Tensor運算如下。
1.torch.abs:將參數(shù)傳遞到torch.abs后返回輸入?yún)?shù)的絕對值作為輸出，輸入?yún)?shù)必須是一個Tensor數(shù)據(jù)類型的變量。
2.torch.add:將參數(shù)傳遞到torch.add后返回輸入?yún)?shù)的求和結果作為輸出，輸入?yún)?shù)可以全部是Tensor數(shù)據(jù)類型的變量，也可以一個是Tensor數(shù)據(jù)類型的變量，另一個是標量。
3.torch.clamp:對輸入?yún)?shù)按照自定義的范圍進行裁剪，最后將參數(shù)裁剪的結果作為輸出。所以輸入?yún)?shù)一共有三個，分別是需要進行裁剪的一共三個，分別是需要進行裁剪的Tensor數(shù)據(jù)類型的變量，裁剪的上邊界，下邊界。過程是，讓變量的每個元素分別和上下邊界比較，如果小于下邊界，該元素就被重寫下邊界的值，如果大于上邊界，該元素就被重寫上邊界的值。
4.torch.div:將參數(shù)傳遞到torch.div后返回輸入?yún)?shù)的求商結果作為輸出，同樣，參與運算的參數(shù)可以全部是Tensor數(shù)據(jù)類型的變量，也可以是Tensor數(shù)據(jù)類型的變量和標量的組合
5.torch.mul：將參數(shù)傳遞到torch.mul后返回輸入?yún)?shù)求積的結果作為輸出，參與運算的參數(shù)可以全部是Tensor數(shù)據(jù)類型的變量，
也可以是Tensor數(shù)據(jù)類型的變量和標量的組合
6.torch.pow:將參數(shù)傳遞到torch.pow后返回輸入?yún)?shù)的求冪結果作為輸出，參與運算的參數(shù)可以全部是Tensor數(shù)據(jù)類型的變量，
也可以是Tensor數(shù)據(jù)類型的變量和標量的組合
就是a的b次方
7.torch.mm:將參數(shù)傳遞到torch.mm后返回輸入?yún)?shù)的求積結果作為輸出，不過這個求積結果的方式和之前的torch.mul運算方式不一樣，toch.mm運用矩陣之間的乘法法則進行計算，所以被傳入的參數(shù)會被當作矩陣進行處理，參數(shù)的維度自然也要滿足矩陣乘法的前提條件，即前一個矩陣的行數(shù)必須和后一個矩陣的列數(shù)相等，否則不能計算。
8.torch.mv：將參數(shù)傳遞到torch.mv后返回輸入?yún)?shù)的求積結果作為輸出，torch.mv運用矩陣與向量之間的乘法規(guī)則進行計算，被傳入的第一個參數(shù)代表矩陣，第二個參數(shù)代表向量，順序不能顛倒
到此這篇關于PyTorch中Tensor的數(shù)據(jù)類型和運算的使用的文章就介紹到這了,更多相關PyTorch Tensor數(shù)據(jù)類型和運算內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
這篇文章主要為大家介紹了python 的while循環(huán)嵌套，具有一定的參考價值，感興趣的小伙伴們可以參考一下，希望能夠給你帶來幫助2021-12-12
這篇文章主要為大家詳細介紹了TensorFlow saver指定變量的存取，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-03-03
學習Python也要做實驗，也就是嘗試性地看看某個命令到底什么含義。在《集成開發(fā)環(huán)境(IDE)》一章中，我們介紹了Python的IDE時，給大家推薦了IDLE，進入到IDLE中，看到>>>符號，可以在后面輸入一行指令。其實，這就是一個非常好的實驗室。2014-09-09
Python opencv相機標定實現(xiàn)原理及步驟詳解
這篇文章主要介紹了Python opencv相機標定實現(xiàn)原理及步驟詳解,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-04-04
Python使用type動態(tài)創(chuàng)建類操作示例
這篇文章主要介紹了Python使用type動態(tài)創(chuàng)建類操作,結合實例形式詳細分析了Python使用type動態(tài)創(chuàng)建類的具體原理、實現(xiàn)方法與操作注意事項,需要的朋友可以參考下2020-02-02
這篇文章主要介紹了python tkinter Entry控件的焦點移動操作，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2021-05-05
這篇文章主要介紹了基于Numba提高python運行效率過程解析,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-03-03
python實現(xiàn)圖書館搶座(自動預約)功能的示例代碼
這篇文章主要介紹了python實現(xiàn)圖書館搶座(自動預約)功能，本文通過實例代碼給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值,需要的朋友可以參考下2020-09-09
Python使用matplotlib繪制Logistic曲線操作示例
這篇文章主要介紹了Python使用matplotlib繪制Logistic曲線操作,結合實例形式詳細分析了Python基于matplotlib庫繪制Logistic曲線相關步驟與實現(xiàn)技巧,需要的朋友可以參考下2019-11-11
Python使用CuPy模塊實現(xiàn)高效數(shù)值計算
CuPy是一個基于Python的GPU加速計算庫,它提供了與NumPy相似的接口,可以在GPU上進行高效的數(shù)值計算,本文主要介紹一下CuPy的應用場景,并給出一些Python代碼案例,需要的可以參考下2024-02-02