Pytorch的Tensor如何改写为长尾？

2026-04-11 08:101阅读0评论SEO基础

内容介绍
文章标签
相关推荐

本文共计1225个文字，预计阅读时间需要5分钟。

Tensor是特殊的数组结构，与数组和矩阵非常相似。在PyTorch中，我们使用Tensor来编码模型的输入和输出，以及模型的参数。Tensor类似于NumPy的ndarray，可以在GPU上高效运行。

Tensors 张量

张量是一种特殊的数据结构，与数组和矩阵非常相似。在 PyTorch 中，我们使用张量来编码模型的输入和输出，以及模型的参数。
张量类似于 NumPy 的 ndarray，张量可以在 GPU 或其他支持硬件加速器上运行。事实上，张量和 NumPy 数组通常可以共享相同的底层内存，从而无需复制数据（参见 Bridge with NumPy）。张量还针对自动微分进行了优化。

import torch import numpy as np 1 初始化张量 1.1 直接从python数据

数据类型会自行推断

data=[[1,2],[3,4]] x_data=torch.tensor(data) print(x_data) print(x_data.type())

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

也可以指定类型

x_data=torch.tensor(data,dtype=torch.float) x_data.type()

'torch.FloatTensor' 1.2 从numpy数组

np_array = np.array(data) x_np = torch.from_numpy(np_array) x_np

tensor([[1, 2], [3, 4]], dtype=torch.int32) 1.3 从其他张量

x_ones = torch.ones_like(x_data) # 保留x_data的属性，类似于size、dtype等 print("Ones Tensor:\n{}\n".format(x_ones)) x_rand = torch.rand_like(x_data, dtype=torch.float) # 覆盖原有x_data的数据类型 print(f"Random Tensor: \n {x_rand} \n")

Ones Tensor: tensor([[1., 1.], [1., 1.]]) Random Tensor: tensor([[0.3120, 0.7532], [0.8578, 0.6995]])

1.4 从常量或者随机数

shape = (2,3,) rand_tensor = torch.rand(shape) ones_tensor = torch.ones(shape) zeros_tensor = torch.zeros(shape) print(f"Random Tensor: \n {rand_tensor} \n") print(f"Ones Tensor: \n {ones_tensor} \n") print(f"Zeros Tensor: \n {zeros_tensor}")

Random Tensor: tensor([[0.8017, 0.0391, 0.3893], [0.6150, 0.4361, 0.8481]]) Ones Tensor: tensor([[1., 1., 1.], [1., 1., 1.]]) Zeros Tensor: tensor([[0., 0., 0.], [0., 0., 0.]]) 2 张量属性

tensor = torch.rand(3,4) print(f"Shape of tensor: {tensor.shape}") # 张量形状 print(f"Datatype of tensor: {tensor.dtype}") # 张量数据类型 print(f"Device tensor is stored on: {tensor.device}") # 使用存储张量的设备 CPU or GPU

Shape of tensor: torch.Size([3, 4]) Datatype of tensor: torch.float32 Device tensor is stored on: cpu 3 张量操作 3.1 将张量存储（计算）至GPU

d=torch.ones(3) print(d.device) d=d.to("cuda") print(d.device)

cpu cuda:0 3.2 张量切片

tensor = torch.ones(4, 4) # 2维度的张量 print(f"First row: {tensor[0]}") print(f"First column: {tensor[:, 0]}") print(f"Last column: {tensor[..., -1]}") tensor[:,1] = 0 print(tensor)

First row: tensor([1., 1., 1., 1.]) First column: tensor([1., 1., 1., 1.]) Last column: tensor([1., 1., 1., 1.]) tensor([[1., 0., 1., 1.], [1., 0., 1., 1.], [1., 0., 1., 1.], [1., 0., 1., 1.]]) 3.3 张量连接

t1 = torch.cat([tensor, tensor, tensor], dim=1) print(t1)

tensor([[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.], [1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.], [1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.], [1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.]]) 3.4 算术运算

# 矩阵相乘 tensor = torch.ones(4, 4) # 2维度的张量 y1 = tensor @ tensor.T # @矩阵相乘运算符 y2 = tensor.matmul(tensor.T) y3 = torch.rand_like(y1) # 先赋值，然后通过matmul计算相乘 torch.matmul(tensor, tensor.T, out=y3) print(y3) # 矩阵点乘 z1 = tensor * tensor z2 = tensor.mul(tensor) z3 = torch.rand_like(tensor) # 先赋值，然后点乘输出 torch.mul(tensor, tensor, out=z3)

tensor([[4., 4., 4., 4.], [4., 4., 4., 4.], [4., 4., 4., 4.], [4., 4., 4., 4.]]) tensor([[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]])

可以用.sum()方法对张量求和，使用item()转化为python数值

agg = tensor.sum() agg_item = agg.item() print(agg_item, type(agg_item))

16.0 <class 'float'>

In-place operations 将计算的值直接存储在变量中用对应_方法

print(f"{tensor} \n") tensor.add_(5) print(tensor)

tensor([[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]]) tensor([[6., 6., 6., 6.], [6., 6., 6., 6.], [6., 6., 6., 6.], [6., 6., 6., 6.]]) 4 与numpy之间的转化 4.1 张量转化为numpy数组

t = torch.ones(5) print(f"t: {t}") n = t.numpy() print(f"n: {n}")

t: tensor([1., 1., 1., 1., 1.]) n: [1. 1. 1. 1. 1.]

在张量上的更改会直接改变numpy的值

t.add_(1) print(f"t: {t}") print(f"n: {n}")

t: tensor([2., 2., 2., 2., 2.]) n: [2. 2. 2. 2. 2.] 4.2 numpy数组转化为Tensor

n = np.ones(5) t = torch.from_numpy(n)

改变numpy的值会直接改变张量的值

np.add(n, 1, out=n) print(f"t: {t}") print(f"n: {n}")

t: tensor([2., 2., 2., 2., 2.], dtype=torch.float64) n: [2. 2. 2. 2. 2.]

标签：Pytorch Tensor Tensors 张量是