目錄
- 創建數據
- torch.empty()
- torch.zeros()
- torch.ones()
- torch.tensor()
- torch.rand()
- 數學運算
- torch.add()
- torch.sub()
- torch.matmul()
- 索引操作
創建數據
torch.empty()
創建一個空張量矩陣.
格式：
torch.empty(*size, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False, pin_memory=False, memory_format=torch.contiguous_format) → Tensor
參數:
- size: 生成矩陣的形狀, 必選
- dtype: 數據類型, 默認為 None
例子:
# 創建一個形狀為[2, 2]的矩陣
a = torch.empty(2, 2)
print(a)
# 創建一個形狀為[3, 3]的矩陣
b = torch.empty(3, 3)
print(b)
輸出結果:
tensor([[0., 0.],
[0., 0.]])
tensor([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
torch.zeros()
創建一個全零矩陣.
格式:
torch.zeros(*size, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor
參數:
- size: 生成矩陣的形狀, 必選
- dtype: 數據類型, 默認為 None
例子:
# 創建一個形狀為[2, 2]的全零數組
a = torch.zeros([2, 2], dtype=torch.float32)
print(a)
# 創建一個形狀為[3, 3]的全零數組
b = torch.zeros([3, 3], dtype=torch.float32)
print(b)
輸出結果:
tensor([[0., 0.],
[0., 0.]])
tensor([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
torch.ones()
創建一個全一矩陣.
格式:
torch.ones(*size, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor
參數:
- size: 生成矩陣的形狀, 必選
- dtype: 數據類型, 默認為 None
例子:
# 創建一個形狀為[2, 2]的全一數組
a = torch.ones([2, 2], dtype=torch.float32)
print(a)
# 創建一個形狀為[3, 3]的全一數組
b = torch.ones([3, 3], dtype=torch.float32)
print(b)
輸出結果:
tensor([[1., 1.],
[1., 1.]])
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])
torch.tensor()
通過數據創建張量.
格式:
torch.tensor(data, *, dtype=None, device=None, requires_grad=False, pin_memory=False) → Tensor
參數:
- data: 數據 (數組, 元組, ndarray, scalar)
- dtype: 數據類型, 默認為 None
例子:
# 通過數據創建張量
array = np.arange(1, 10).reshape(3, 3)
print(array)
print(type(array))
tensor = torch.tensor(array)
print(tensor)
print(type(tensor))
輸出結果:
[[1 2 3]
[4 5 6]
[7 8 9]]
class 'numpy.ndarray'>
tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]], dtype=torch.int32)
class 'torch.Tensor'>
torch.rand()
創建一個 0~1 隨機數的張量矩陣.
格式:
torch.rand(*size, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor
參數:
- size: 生成矩陣的形狀, 必選
- dtype: 數據類型, 默認為 None
例子:
# 創建形狀為[2, 2]的隨機數矩陣
rand = torch.rand(2, 2)
print(rand)
輸出結果:
tensor([[0.6209, 0.3424],
[0.3506, 0.7986]])
數學運算
torch.add()
返回相加的張量.
格式:
torch.add(input, other, *, out=None) → Tensor
例子:
# 張量相加
input1 = torch.tensor([[1, 2], [3, 4]])
print(input1)
input2 = torch.tensor([[4, 3], [2, 1]])
print(input2)
output = torch.add(input1, input2)
print(output)
輸出結果:
tensor([[1, 2],
[3, 4]])
tensor([[4, 3],
[2, 1]])
tensor([[5, 5],
[5, 5]])
注: 相加的張量形狀必須一致, 否則會報錯.
torch.sub()
返回相減的張量.
例子:
# 張量相減
input1 = torch.tensor([[1, 2], [3, 4]])
print(input1)
input2 = torch.tensor([[4, 3], [2, 1]])
print(input2)
output = torch.sub(input1, input2)
print(output)
輸出結果:
tensor([[1, 2],
[3, 4]])
tensor([[4, 3],
[2, 1]])
tensor([[-3, -1],
[ 1, 3]])
torch.matmul()
例子:
# 張量矩陣相乘
input1 = torch.tensor([[1, 1, 1]])
print(input1)
input2 = torch.tensor([[3], [3], [3]])
print(input2)
output = torch.matmul(input1, input2)
print(output)
輸出結果:
tensor([[1, 1, 1]])
tensor([[3],
[3],
[3]])
tensor([[9]])
索引操作
索引 (index) 可以幫助我們快速的找到張量中的特定信息.
例子:
# 簡單的索引操作
ones = torch.ones([3, 3])
print(ones[: 2])
print(ones[:, : 2])
調試輸出:
tensor([[1., 1., 1.],
[1., 1., 1.]])
tensor([[1., 1.],
[1., 1.],
[1., 1.]])
到此這篇關于PyTorch一小時掌握之基本操作篇的文章就介紹到這了,更多相關PyTorch基本操作內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- PyTorch一小時掌握之autograd機制篇
- PyTorch一小時掌握之神經網絡氣溫預測篇
- PyTorch一小時掌握之神經網絡分類篇
- PyTorch一小時掌握之圖像識別實戰篇
