Pytorch笔记 (3) 科学计算1
一、张量
标量 可以看作是 零维张量
向量 可以看作是 一维张量
矩阵 可以看作是 二维张量
继续扩展数据的维度,可以得到更高维度的张量 ————> 张量又称 多维数组
给定一个张量数据,就可以确定 它的维度 + 大小 + 元素个数
# 对于一个 大小为 0个条目的元组() ,元素个数为1
只有 维度、大小、元素个数、各元素都相同的两个张量,才是两个相同的张量
举例:
对于某个张量,若其中有个条目是 ,那么这个1不可省略。也应该算进张量的维度中。
大小为(,) 的二维张量 和 大小为 (,)的张量虽然有着相同的元素个数,但是它们的维度不同,大小不同 ————> 不是相同的张量
# 一维张量的大小具有 (s[0],) 的形式,而不是 (s[0],1) 或 (1,s[0]) 的形式。一维张量和向量同构,但严格意义上斌不是向量,也就没有 “行(列)向量”的说法。
(1)Pytorch 中的张量
在Pytorch 中,张量是运算的基本数据类型,用类 torch.Tensor 实现。
import torch
t2 = torch.tensor([[0,1,2],[3,4,5]]) #将一个列表 转换成torch.Tensor 类 实例t2 【即张量t2】
print(t2)
print('数据 = {}'.format(t2))
print(t2.reshape(3,2)) #重新组织元素 【使其大小从(2,3)变为(3,2)】
print(t2 + 1) #逐 元素运算 【利用张量 进行数学计算,进行逐元素+1,得到新的张量】
在Pytorch 中,可以通过torch.Tensor类 实例的成员获得性质 ———— 张量的大小、维度、元素个数
print('数据 = {}'.format(t2))
print('大小 = {}'.format(t2.size()))
print('维度 = {}'.format(t2.dim()))
print('元素个数 = {}'.format(t2.numel()))
另外,每个张量类实例还会有元素类型 (dtype):
可以通过张量类实例的成员 dtype 查看元素类型:
print('元素类型 = {}'.format(t2.dtype))
结果:
元素类型 = torch.int64
上述代码在构造 torch.Tensor类实例是,使用了int 值列表————> 张量的数据类型默认是 torch.int64型
如果用 bool 值构造,则构造出来的张量元素类型默认是————> torch.uint8型
如果用float值构造————> torch.float32型
二、构造torch.Tensor类实例
使用以下函数来构造torch.Tensor类实例
(1)构造含有特定数据的张量
torch.tensor()
t0 = torch.tensor(0)
t1 = torch.tensor([0.,1.,2.])
t2 = torch.tensor([[[0.,1.,2.],[3.,4.,5.],[6.,7.,8.]],[[9.,10.,11.],[12.,13.,14.],[15.,16.,17.]],[[18.,19.,20.],[21.,22.,23.],[24.,25.,26.]]])
利用该函数构造了张量 t0,t1,t2 ,t3 ,在张量的构造语句中,使用了列表作为参数
由于参数列表中的数据都是浮点数,所以这些张量的元素类型都是 torch.float32
torch.tensor()的关键字参数 dtype ———— 用来指定张量的元素类型
# 如果没有这个关键字参数,张量的元素类型是从 列表元素 推到而来的【bool —— torch.uint8; int —— torch.int64; float —— torch.float32】
t_int8 = torch.tensor([1,2],dtype=torch.int8)
(2)构造特定大小的张量
torch.zeros() torch.ones() torch.empty 函数可以使用多个int 类型的参数来构造给定类型的变量
要想用这些函数构造n维张量,就要传入n个整数,这n个整数就是张量大小的n个条目,用此方法,可以不指定张量中元素的值,也可以指定张量中元素的值为相同值。
如果不指定张量中元素的值,可以用 torch.empty() 函数 ———— 构造出来的张量的元素值 是不确定的!
如果要指定张量中元素的值,可以用 torch.zeros() torch.ones() —— 指定代码中的元素均为 0/1
可以用 torch.full() 将元素初始化为0 1 以外的值 ———— 需要两个不同的参数 ———— 张量大小和 要填充的值
t1 = torch.empty(2) #未初始化
print(t1)
t2 = torch.zeros(2,2) #各元素值为 0
print(t2)
t3 = torch.ones(2,2,2) #各元素值 为1
print(t3)
t4 = torch.full((2,2,2,2),3.) #各元素值为3
print(t4)
tensor([0., 0.])
tensor([[0., 0.],
[0., 0.]])
tensor([[[1., 1.],
[1., 1.]], [[1., 1.],
[1., 1.]]])
tensor([[[[3., 3.],
[3., 3.]], [[3., 3.],
[3., 3.]]], [[[3., 3.],
[3., 3.]], [[3., 3.],
[3., 3.]]]])
上述4个函数都有对应的 torch.*_like() 形式 ———— 构造一个和现有张量一样大小的张量
tt = torch.ones_like(t2)
print(tt)
tensor([[1., 1.],
[1., 1.]])
(3)构造等比 等差数列张量
等差数列:
torch.arange() 构造等差 ———— 需要指定 数列的开始元素 start【含,默认0】,结束元素 end【不含】,和公差step
得到的数列包括start 但不包括end,数列的长度为 [ (end - start ) / step ]
torch.range() 函数 可以得到长度为 [ (end - start ) / step + 1 ] 的等差数列
以下代码可得到: 大小为(4,) ,元素都是 0,1,2,3这四个数的张量
a1 = torch.arange(0,4,step=1)
a2 = torch.range(0,3,step=1)
print(a1)
print(a2)
tensor([0, 1, 2, 3])
tensor([0., 1., 2., 3.])
构造等差数列 还可以使用 torch.linspace() 函数 ———— 前两个参数为数列 最开始的 和 最后的数 ,steps 指数列中一共有几个数
a3 = torch.linspace(0,3,steps=4)
print(a3)
tensor([0., 1., 2., 3.])
等比数列:
torch.logspace() ———— 前两个参数 经过 10^x 的运算后,才是数列最开始的数 和最后的数,steps 指数列一共有几个数
a4 = torch.logspace(0,3,steps=4)
print(a4)
tensor([ 1., 10., 100., 1000.])
(4) 构造随机张量
概率分布 分为: 离散概率分布 + 连续概率分布
- 离散概率分布得到的样本一般是 0 1 这样的整数值
- 连续概率分布得到的样本一般是 浮点数
离散随机张量的构造:
连续随机张量:
【这块看的挺懵逼的.....所以就直接把书上的弄过来...后期直接查用。。。先学后面的,到后期再回顾这块】
Pytorch笔记 (3) 科学计算1的更多相关文章
- Pytorch笔记 (3) 科学计算2
一.组织张量的元素 (1)重排张量元素 本节介绍在不改变 张量元素个数 和 各元素的值的情况下改变张量的大小 torch.Tensor类的成员方法 reshape() 参数是多个int类型的值. 如果 ...
- python学习笔记(2):科学计算及数据可视化入门
一.NumPy 1.NumPy:Numberical Python 2.高性能科学计算和数据分析的基础包 3.ndarray,多维数组(矩阵),具有矢量运算的能力,快速.节省空间 (1)ndarray ...
- Python 科学计算-介绍
Python 科学计算 作者 J.R. Johansson (robert@riken.jp) http://dml.riken.jp/~rob/ 最新版本的 IPython notebook 课程文 ...
- Python科学计算(一)
作者 J.R. Johansson (robert@riken.jp) http://dml.riken.jp/~rob/ 最新版本的 IPython notebook 课程文件 http://git ...
- [Pytorch] pytorch笔记 <三>
pytorch笔记 optimizer.zero_grad() 将梯度变为0,用于每个batch最开始,因为梯度在不同batch之间不是累加的,所以必须在每个batch开始的时候初始化累计梯度,重置为 ...
- Python科学计算三维可视化(整理完结)
中国MOOC<Pyhton计算计算三维可视化>总结 课程url:here ,教师:黄天宇,嵩天 下文的图片和问题,答案都是从eclipse和上完课后总结的,转载请声明. Python数据三 ...
- Anaconda 用于科学计算的 Python 发行版
用于科学计算的 Python 发行版: 1.Anaconda https://www.continuum.io/ 公司continuum. 有商业版本. Anaconda is the le ...
- 科学计算软件——Octave安装
Octave是一个旨在提供与Matlab语法兼容的开放源代码科学计算及数值分析的工具,是Matlab商业软件的一个强有力的竞争产品. 参考:[ML:Octave Installation] Gener ...
- windows下安装python科学计算环境,numpy scipy scikit ,matplotlib等
安装matplotlib: pip install matplotlib 背景: 目的:要用Python下的DBSCAN聚类算法. scikit-learn 是一个基于SciPy和Numpy的开源机器 ...
随机推荐
- STL源码阅读-traits与迭代器
迭代器模式 提供一种方法,使之能够依序访问容器的各个元素,而又无需暴露容器的内部表述方式 STL设计的中心思想在于将数据容器和算法分离开,容器和算法分开设计,迭代器则是两者之间的胶着剂,一般迭代器的设 ...
- Gym - 101170B British Menu (强连通缩点+dp)
题意:求一个有向图上的最长路(每个强连通分量的点不超过5个) 首先对强连通分量缩点,暴力预处理出len[k][i][j]表示第k个强连通分量里的第i个点和第j个点之间的最长路径,设状态(k,i,f)表 ...
- Zookeeper服务注册与发现原理浅析
了解Zookeeper的我们都知道,Zookeeper是一种分布式协调服务,在分布式应用中,主要用来实现分布式服务的注册与发现以及分布式锁,本文我们简单介绍一下Zookeeper是如何实现服务的注册与 ...
- SessionFactory的openSession与getCurrentSession区别
SessionFactory 1 用来产生和管理sesssion 2 通常情况下,每个应用只需要一个SessionFactory,除非要访问多个数据库的情况 3 openSession()与openS ...
- C# checkedlistbox 控件 有bug
加入集合 private void Form2_Load(object sender, EventArgs e) { DataTable dt = new DataTable(); dt.Column ...
- Travis CI Could not find or load main class org.gradle.wrapper.GradleWrapperMain 错误
问题 在 Travis CI 编译的时候出现 Error: Could not find or load main class org.gradle.wrapper.GradleWrapperMain ...
- 从零开始学习vue(2)
一.vue实例 每个vue应用都是通过Vue构造函数创建的一个新的实例开始的: var vm = new Vue({ //选项对象 }) 在这其中vm(viewModel的简称)通常都表示vue实例的 ...
- Java常考面试题整理(五)
81.RMI中的远程接口(Remote Interface)扮演了什么样的角色? 参考答案: 远程接口用来标识哪些方法是可以被非本地虚拟机调用的接口.远程对象必须要直接或者是间接实现远程接口.实现了远 ...
- mysql 查询近三个月数据
select * from t_user where time>DATE_SUB(CURDATE(), INTERVAL 1 WEEK) --一周 select * from t_user wh ...
- 文件和Stream
I/O和文件 输入/输出(I/O)就是在内存和外部设备之间复制数据的过程.输入(input)就是从I/O设备复制数据到内存,输出(output)就是从内存复制数据到I/O设备. 一个文件可以理解成一串 ...