pytorch教程之Tensor的值及操作使用学习

当涉及到深度学习框架时,PyTorch是一个非常流行的选择。在PyTorch中,Tensor是一个非常重要的概念,它是一个多维数组,可以用于存储和操作数据。在本教程中,我们将学习如何使用PyTorch中的Tensor,包括如何创建、访问和操作Tensor。

创建Tensor

在PyTorch中,我们可以使用torch.Tensor()函数来创建一个Tensor。例如,我们可以使用以下代码创建一个2x3的Tensor:

import torch

x = torch.Tensor([[1, 2, 3], [4, 5, 6]])
print(x)

输出:

tensor([[1., 2., 3.],
        [4., 5., 6.]])

我们还可以使用其他函数来创建Tensor,例如:

  • torch.zeros():创建一个全为0的Tensor
  • torch.ones():创建一个全为1的Tensor
  • torch.rand():创建一个随机初始化的Tensor

例如,我们可以使用以下代码创建一个3x3的全为0的Tensor:

import torch

x = torch.zeros(3, 3)
print(x)

输出:

tensor([[0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.]])

访问Tensor

我们可以使用索引来访问Tensor中的元素。例如,我们可以使用以下代码访问Tensor中的第一个元素:

import torch

x = torch.Tensor([[1, 2, 3], [4, 5, 6]])
print(x[0][0])

输出:

tensor(1.)

我们还可以使用切片来访问Tensor中的子集。例如,我们可以使用以下代码访问Tensor中的第一行:

import torch

x = torch.Tensor([[1, 2, 3], [4, 5, 6]])
print(x[0, :])

输出:

tensor([1., 2., 3.])

操作Tensor

在PyTorch中,我们可以使用各种函数来操作Tensor。例如,我们可以使用以下代码将两个Tensor相加:

import torch

x = torch.Tensor([[1, 2, 3], [4, 5, 6]])
y = torch.Tensor([[7, 8, 9], [10, 11, 12]])
z = x + y
print(z)

输出:

tensor([[ 8., 10., 12.],
        [14., 16., 18.]])

我们还可以使用其他函数来操作Tensor,例如:

  • torch.sum():计算Tensor中所有元素的和
  • torch.mean():计算Tensor中所有元素的平均值
  • torch.max():计算Tensor中所有元素的最大值
  • torch.min():计算Tensor中所有元素的最小值

例如,我们可以使用以下代码计算Tensor中所有元素的和:

import torch

x = torch.Tensor([[1, 2, 3], [4, 5, 6]])
print(torch.sum(x))

输出:

tensor(21.)

示例1:使用Tensor进行线性回归

在这个示例中,我们将使用Tensor来实现一个简单的线性回归模型。我们将使用以下公式来拟合一个线性函数:

y = 2x + 1

我们将使用随机生成的数据来训练模型,并使用梯度下降算法来更新模型参数。

import torch

# 生成随机数据
x = torch.randn(100, 1) * 10
y = x * 2 + 1 + torch.randn(100, 1)

# 定义模型
w = torch.randn(1, 1, requires_grad=True)
b = torch.randn(1, 1, requires_grad=True)

# 定义损失函数和优化器
criterion = torch.nn.MSELoss()
optimizer = torch.optim.SGD([w, b], lr=0.01)

# 进行模型训练
for epoch in range(1000):
    # 前向传播
    y_pred = x.mm(w) + b

    # 计算损失
    loss = criterion(y_pred, y)

    # 反向传播
    loss.backward()

    # 更新模型参数
    optimizer.step()
    optimizer.zero_grad()

    # 打印训练日志
    if (epoch + 1) % 100 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, 1000, loss.item()))

# 打印最终模型参数
print('w: {:.4f}, b: {:.4f}'.format(w.item(), b.item()))

在这个示例中,我们首先生成了100个随机数据点,并使用这些数据点来训练模型。然后,我们定义了一个包含一个权重和一个偏置的线性模型。我们使用均方误差损失函数和随机梯度下降优化器来训练模型。最后,我们打印了最终的模型参数。

示例2:使用Tensor进行卷积操作

在这个示例中,我们将使用Tensor来实现一个简单的卷积操作。我们将使用一个3x3的卷积核来对一个5x5的图像进行卷积操作。

import torch

# 定义输入图像和卷积核
x = torch.Tensor([[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]])
k = torch.Tensor([[1, 0, -1],
                  [2, 0, -2],
                  [1, 0, -1]])

# 定义卷积操作
def conv2d(x, k):
    h, w = k.size()
    y = torch.zeros(x.size()[0]-h+1, x.size()[1]-w+1)
    for i in range(y.size()[0]):
        for j in range(y.size()[1]):
            y[i][j] = torch.sum(x[i:i+h, j:j+w] * k)
    return y

# 进行卷积操作
y = conv2d(x, k)

# 打印卷积结果
print(y)

在这个示例中,我们首先定义了一个5x5的输入图像和一个3x3的卷积核。然后,我们定义了一个卷积操作函数,该函数使用循环来计算卷积结果。最后,我们使用输入图像和卷积核来进行卷积操作,并打印卷积结果。

本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:pytorch教程之Tensor的值及操作使用学习 - Python技术站

(0)
上一篇 2023年5月15日
下一篇 2023年5月15日

相关文章

  • PyTorch中topk函数的用法详解

    PyTorch中topk函数的用法详解 在PyTorch中,topk函数是一种用于获取张量中最大值或最小值的函数。在本文中,我们将介绍PyTorch中topk函数的用法,并提供两个示例说明。 示例1:获取张量中最大的k个值 以下是一个获取张量中最大的k个值的示例代码: import torch # Create input tensor x = torch.…

    PyTorch 2023年5月16日
    00
  • LeNet-5 pytorch+torchvision+visdom

    # ====================LeNet-5_main.py=============== # pytorch+torchvision+visdom 1 # -*- coding: utf-8 -*- 2 “”” 3 Created on Sun May 26 22:53:52 2019 4 5 @author: jiangshan 6 “””…

    PyTorch 2023年4月6日
    00
  • 手把手教你实现PyTorch的MNIST数据集

    手把手教你实现PyTorch的MNIST数据集 在本文中,我们将手把手教你如何使用PyTorch实现MNIST数据集的分类任务。我们将使用两个示例来说明如何完成这些步骤。 示例1:使用全连接神经网络实现MNIST分类 以下是使用全连接神经网络实现MNIST分类的步骤: import torch import torch.nn as nn import tor…

    PyTorch 2023年5月15日
    00
  • Windows10+Anaconda+PyTorch(cpu版本)环境搭建

    1.安装Anaconda,具体参考网上相关教程 2.安装PyTorch 2.1 在Anaconda自带的Anaconda Prompt中创建名为PyTorch的虚拟环境【conda create –name PyTorch python=3.6】(python版本设置为3.6) 2.2 激活PyTorch虚拟环境  2.3 安装PyTorch,官网地址:h…

    2023年4月8日
    00
  • PyTorch中permute的用法详解

    在PyTorch中,permute()方法用于对张量的维度进行重新排列。本文将详细讲解permute()方法的用法,并提供两个示例说明。 1. permute()方法的用法 permute()方法的语法如下: torch.Tensor.permute(*dims) 其中,dims是一个整数元组,表示新的维度顺序。例如,如果原始张量的维度顺序为(0, 1, 2…

    PyTorch 2023年5月15日
    00
  • pytorch提取神经网络模型层结构和参数初始化

    torch.nn.Module()类有一些重要属性,我们可用其下面几个属性来实现对神经网络层结构的提取: torch.nn.Module.children() torch.nn.Module.modules() torch.nn.Module.named_children() torch.nn.Module.named_moduless() 为方面说明,我们…

    2023年4月8日
    00
  • pytorch网络模型构建场景的问题介绍

    在PyTorch中,网络模型构建是深度学习任务中的重要环节。在实际应用中,我们可能会遇到一些网络模型构建场景的问题。本文将介绍一些常见的网络模型构建场景的问题,并提供两个示例。 问题一:如何构建多输入、多输出的网络模型? 在某些情况下,我们需要构建多输入、多输出的网络模型。例如,我们可能需要将两个不同的输入数据分别输入到网络中,并得到两个不同的输出结果。在P…

    PyTorch 2023年5月15日
    00
  • Pytorch官方教程:用RNN实现字符级的分类任务

    数据处理   数据可以从传送门下载。 这些数据包括了18个国家的名字,我们的任务是根据这些数据训练模型,使得模型可以判断出名字是哪个国家的。   一开始,我们需要对名字进行一些处理,因为不同国家的文字可能会有一些区别。 在这里最好先了解一下Unicode:可以看看:Unicode的文本处理二三事                                …

    2023年4月8日
    00
合作推广
合作推广
分享本页
返回顶部