pytorch.tensor,pytorch tensorrt
本文主要介绍用pytorch创建张量函数的细节。文章重点介绍了张量函数的相关自助，需要的朋友可以参考一下。希望对你有帮助。
00-10101.通过复制数据构造张量1.1 torch.tensor()1.2，把numpy的ndarray变成tensor2，生成全0或全1的tensor3，生成序列3.1，生成指定步长的等差数列3.2，生成指定步数的等差数列4，生成指定大小的恒等式矩阵5，生成指定大小的张量6，生成指定大小的张量。张量的数据是填充的指定值。
目录
1、通过复制数据构造张量
torch.tensor([[0.1，1.2]、[2.2，3.1]、[4.9，5.2]])
Out[111]:
张量([[0.1000，1.2000]，
[2.2000, 3.1000],
[4.9000, 5.2000]])
torch .张量([0，1])
Out[112]:张量([0，1])
torch.tensor([[0.11111，0.222222，0.3333333]]，
dtype=torch.float64，device=torch.device(cpu ))
Out[113]:张量([[0.1111，0.2222，0.3333])，dtype=torch.float64
火炬张量(3.14159)
[114]:张量(3.1416)
torch.tensor([])
Out[115]:张量([])
torch.tensor([[0.11111，0.222222，0.3333333]]，
dtype=torch.float64，device=torch.device(cpu )，requires_grad=True，pin_memory=False)
Out[117]:张量([[0.1111，0.2222，0.3333]]，dtype=torch.float64，requires_grad=True)
Dtype(torch.dtype，可选)返回张量所需的数据类型。默认值：如果不是，则从数据中推断数据类型。设备(torch.device，可选)-用于构建张量的设备。如果不是，并且数据是张量，那么使用数据设备。如果不是，并且数据不是张量，则在CPU上构造结果张量。Require_grad(bool，可选)-是否需要保留梯度信息。默认值：False。Pin_memory(bool，可选)如果设置，返回的张量将分配给pind内存。仅适用于CPU张量。默认值：False。
1.1 torch.tensor()
a=numpy.array([1，2，3])
t=torch.as_tensor(a)
英语字母表中第二十个字母
张量([1，2，3])
t[0]=-1
一
数组([-1，2，3])
a=numpy.array([1，2，3])
t=torch.as_tensor(a，device=torch.device(cuda ))
t[0]=-1
英语字母表中第七个字母
t; a
array([1, 2, 3])
t = torch.as_tensor([2, 2, 2], device=torch.device(cuda))
>>> t
tensor([2, 2, 2], device=cuda:0)
a = numpy.array([1, 2, 3])
t = torch.from_numpy(a)
t
Out[38]: tensor([1, 2, 3])
t[0] = -1
a
Out[40]: array([-1, 2, 3])
2、生成全0或者全1的tensor
torch.zeros(2, 3)Out[41]:
tensor([[0., 0., 0.],
[0., 0., 0.]])
torch.zeros(5)
Out[42]: tensor([0., 0., 0., 0., 0.])
torch.ones(2, 3)
Out[43]:
tensor([[1., 1., 1.],
[1., 1., 1.]])
torch.ones(5)
Out[44]: tensor([1., 1., 1., 1., 1.])
参数列表:
out：输出的对象dtype:返回的张量的所需数据类型。默认值：如果没有，则使用全局默认值（请参阅torch.set_Default_tensor_type（））。layoutdevice: 构造张量的装置。如果没有，并且数据是张量，那么就使用数据设备。如果没有且数据不是张量，则结果张量在CPU上构造。requires_grad: 是否需要保留梯度信息。默认值：False。
3、生成序列
3.1、 生成一个指定步长的等差序列
torch.arange(5)Out[45]: tensor([0, 1, 2, 3, 4])
torch.arange(1, 4)
Out[46]: tensor([1, 2, 3])
torch.arange(1, 2.5, 0.5)
Out[47]: tensor([1.0000, 1.5000, 2.0000])
start: 点集的开始值。默认值：0。end: 点集的结束值step: 每对相邻点之间的间隙。默认值：1，可以是小数。
3.2 生成一个指定步数的等差数列
torch.linspace(3, 10, steps=5)Out[49]: tensor([ 3.0000, 4.7500, 6.5000, 8.2500, 10.0000])
torch.linspace(-10, 10, steps=5)
Out[50]: tensor([-10., -5., 0., 5., 10.])
torch.linspace(start=-10, end=10, steps=1)
Out[51]: tensor([-10.])
4、生成指定大小的单位矩阵
torch.eye(3)Out[58]:
tensor([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])
5、生成一个指定大小张量
torch.empty((2,3), dtype=torch.int64)Out[59]:
tensor([[0, 0, 0],
[0, 0, 2]])
6、 创建一个指定大小的张量。张量的数据是填充的指定值
torch.full((2, 3), 3.141592)Out[67]:
tensor([[3.1416, 3.1416, 3.1416],
[3.1416, 3.1416, 3.1416]])
到此这篇关于pytorch创建tensor函数详情的文章就介绍到这了,更多相关pytorch创建tensor函数内容请搜索盛行IT软件开发工作室以前的文章或继续浏览下面的相关文章希望大家以后多多支持盛行IT软件开发工作室！
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。