劳务网站怎样做,黑龙江网站备案查询,北京朝阳客户端,1千元以下做网站的公司文章目录 1 张量索引1.1 简单行列索引和列表索引1.2 布尔索引和多维索引 2 张量的形状操作2.1 reshape函数2.2 transpose和permute函数的使用2.3 view和contiguous函数2.4 squeeze和unsqueeze函数用法2.5 张量更改形状小结 3 常见运算函数 1 张量索引
1.1 简单行列索引和列表索… 文章目录 1 张量索引1.1 简单行列索引和列表索引1.2 布尔索引和多维索引 2 张量的形状操作2.1 reshape函数2.2 transpose和permute函数的使用2.3 view和contiguous函数2.4 squeeze和unsqueeze函数用法2.5 张量更改形状小结 3 常见运算函数 1 张量索引
1.1 简单行列索引和列表索引
import torch# 1. 简单行列索引
def test01():# 固定随机数种子torch.manual_seed(0)data torch.randint(0, 10, [4, 5])print(data)print(- * 30)# 1.1 获得指定的某行元素# print(data[2])# 1.2 获得指定的某个列的元素# 逗号前面表示行, 逗号后面表示列# 冒号表示所有行或者所有列# print(data[:, :])# 表示获得第3列的元素print(data[:, 2])# 获得指定位置的某个元素print(data[1, 2], data[1][2])# 表示先获得前三行然后再获得第三列的数据print(data[:3, 2])# 表示获得前三行的前两列print(data[:3, :2])# 2. 列表索引
def test02():# 固定随机数种子torch.manual_seed(0)data torch.randint(0, 10, [4, 5])print(data)print(- * 30)# 如果索引的行列都是一个1维的列表那么两个列表的长度必须相等# print(data[[0, 1, 2], [2, 4]]) # 报错索引位置都是一维必须匹配# 解决方法如果不想前后维数一样就采用二维数组# 使用二维数组进行索引得到仍然为二维数组print(data[[[0],[1],[2]],[2,4]])# 1.表示获得 (0, 0)、(2, 1)、(3, 2) 三个位置的元素# 使用一维数组进行索引得到的是一维print(data[[0, 2, 3], [0, 1, 2]])# 2。表示获得 0、2、3 行的 0、1、2 列# print(data[[[0], [2], [3]], [0, 1, 2]])
1.2 布尔索引和多维索引
import torch# 1. 布尔索引
def test01():torch.manual_seed(0)data torch.randint(0, 10, [4, 5])print(data)# 1. 希望能够获得该张量中所有大于3的元素# 所有元素与3进行比较大于返回True,小于返回False# 返回一个布尔类型的张量print(data 3)# 对于张量中的所有元素进行筛选变为一维的张量print(data[data 3])# 2. 希望返回第2列元素大于6的行# 先获取到第二列数据然后进行比较得到布尔张量# 然后再进行行索引# 想要获取到行在行索引的位置传入布尔张量print(data[:,1] 6) # tensor([ True, True, False, False])print(data[data[:, 1] 6]) # 选择前两行# 3. 希望返回第2行元素大于3的所有列# 想要获取到列在列的位置传入布尔索引print(data[:, data[1] 3])# 2. 多维索引
def test02():torch.manual_seed(0)data torch.randint(0, 10, [3, 4, 5])print(data)print(- * 30)# 按照第0个维度选择第0元素4行5列元素print(data[0, :, :])print(- * 30)# 按照第1个维度选择第0元素print(data[:, 0, :])print(- * 30)# 按照第2个维度选择第0元素print(data[:, :, 0])print(- * 30)2 张量的形状操作
2.1 reshape函数
保证张量元素个数不变的情况下改变张量的形状在神经网络中不同层中的数据形状不同
import torchdef test():torch.manual_seed(0)data torch.randint(0, 10, [4, 5])# 查看张量的形状print(data.shape, data.shape[0], data.shape[1])# print(data.size(), data.size(0), data.size(1)) # 与上述方法结果一致# 修改张量的形状new_data data.reshape(2, 10)print(new_data)# 注意: 转换之后的形状元素个数得等于原来张量的元素个数# 原来有多少个元素转换之后就有多少个元素# new_data data.reshape(1, 10)# print(new_data)# 使用-1代替省略的形状# 转换为指定的行数列数指定为-1可以进行自动匹配列数new_data data.reshape(5, -1)print(new_data)# 转换为两列自动进行计算行数new_data data.reshape(-1, 2)print(new_data)
2.2 transpose和permute函数的使用
reshape函数更改形状reshape会重新计算张量的维度有时候不需要重新计算张量的维度只要调整张量维度的顺序即可可以使用transpose函数和permute函数transpose函数每次只能交换两个维度permute函数可以一次交换多个维度
import torch# 1. transpose 函数
def test01():torch.manual_seed(0)data torch.randint(0, 10, [3, 4, 5])new_data data.reshape(4, 3, 5)print(new_data.shape) # torch.Size([4, 3, 5])# 直接交换两个维度的值new_data torch.transpose(data, 0, 1)print(new_data.shape) # torch.Size([4, 3, 5])# 缺点: 一次只能交换两个维度# 把数据的形状变成 (4, 5, 3)# 进行第一次交换: (4, 3, 5)# 进行第二次交换: (4, 5, 3)new_data torch.transpose(data, 0, 1)new_data torch.transpose(new_data, 1, 2)print(new_data.shape)# 2. permute 函数
def test02():torch.manual_seed(0)data torch.randint(0, 10, [3, 4, 5])# permute 函数可以一次性交换多个维度new_data torch.permute(data, [1, 2, 0])print(new_data.shape)2.3 view和contiguous函数
view函数改变张量的形状只能用于存储在整块内存中的张量具有一定的局限性。pytorch中有些张量是由不同的数据块组成并没有存储在整块的内存中view函数无法对于这种张量进行变形处理一个张量经过了transpose或者permute函数的处理之后就无法使用view函数进行形状操作先用contiguous将非连续内存空间转换为连续内存空间然后再使用view函数进行更改张量形状
import torch# 1. view 函数的使用
def test01():data torch.tensor([[10, 20, 30], [40, 50, 60]])data data.view(3, 2)print(data.shape)# is_contiguous 函数来判断张量是否是连续内存空间(整块的内存)print(data.is_contiguous())# 2. view 函数使用注意
def test02():# 当张量经过 transpose 或者 permute 函数之后内存空间基本不连续# 此时必须先把空间连续才能够使用 view 函数进行张量形状操作data torch.tensor([[10, 20, 30], [40, 50, 60]])print(是否连续:, data.is_contiguous())data torch.transpose(data, 0, 1)print(是否连续:, data.is_contiguous())# 此时在不连续内存的情况使用 view 会怎么样呢data data.contiguous().view(2, 3)print(data)
2.4 squeeze和unsqueeze函数用法
squeeze函数可以将维度为1的维度进行删除unsqueeze函数给张量增加维度为1的维度
import torch# 1. squeeze 函数使用
def test01():# 四维张量data torch.randint(0, 10, [1, 3, 1, 5])print(data.shape)# 维度压缩, 默认去掉所有的1的维度# squeeze() - 默认去掉所有维度为1的函数# squeeze(0) - 删除第一个位置的为1的维度# 传入维度的索引值new_data data.squeeze(0)print(new_data.shape) # torch.Size([3, 5])# 指定去掉某个1的维度new_data data.squeeze(2)print(new_data.shape)# 2. unsqueeze 函数使用
def test02():data torch.randint(0, 10, [3, 5])print(data.shape) # torch.Size([1, 3, 1, 5])# 可以在指定位置增加维度# -1 代表最后一个维度new_data data.unsqueeze(-1)print(new_data.shape)
2.5 张量更改形状小结
reshape 函数可以在保证张量数据不变的前提下改变数据的维度.transpose 函数可以实现交换张量形状的指定维度, permute 可以一次交换更多的维度.view 函数也可以用于修改张量的形状, 但是它要求被转换的张量内存必须连续所以一般配合 contiguous 函数使用.squeeze 和 unsqueeze 函数可以用来增加或者减少维度.
3 常见运算函数
mean()sum()pow(n)sqrt()exp()log() - 以e为底的对数log2()log10()
import torch# 1. 均值
def test01():torch.manual_seed(0)# data torch.randint(0, 10, [2, 3], dtypetorch.float64)data torch.randint(0, 10, [2, 3]).double()# print(data.dtype)print(data)# 默认对所有的数据计算均值print(data.mean())# 按指定的维度计算均值print(data.mean(dim0)) # 竖向计算 按列计算print(data.mean(dim1)) # 横向计算 按行计算# 2. 求和
def test02():torch.manual_seed(0)data torch.randint(0, 10, [2, 3]).double()print(data.sum())print(data.sum(dim0))print(data.sum(dim1))# 3. 平方
def test03():torch.manual_seed(0)data torch.randint(0, 10, [2, 3]).double()print(data)data data.pow(2)print(data)# 4. 平方根
def test04():torch.manual_seed(0)data torch.randint(0, 10, [2, 3]).double()print(data)data data.sqrt()print(data)# 5. e多少次方
def test05():torch.manual_seed(0)data torch.randint(0, 10, [2, 3]).double()print(data)data data.exp()print(data)# 6. 对数
def test06():torch.manual_seed(0)data torch.randint(0, 10, [2, 3]).double()print(data)data data.log() # 以e为底data data.log2() # 以2为底data data.log10() # 以10为底print(data)
