PyTorch基本操作的示例分析
这篇文章主要介绍PyTorch基本操作的示例分析，文中介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们一定要看完！
创建数据
torch.empty()
创建一个空张量矩阵.
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
参数:
size: 生成矩阵的形状, 必选
dtype: 数据类型, 默认为 None
例子:
# 创建一个形状为[2, 2]的矩阵a = torch.empty(2, 2)print(a)# 创建一个形状为[3, 3]的矩阵b = torch.empty(3, 3)print(b)
输出结果:
tensor([[0., 0.],
[0., 0.]])
tensor([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
torch.zeros()
创建一个全零矩阵.
格式:
torch.zeros(*size, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor
参数:
size: 生成矩阵的形状, 必选
dtype: 数据类型, 默认为 None
例子:
# 创建一个形状为[2, 2]的全零数组a = torch.zeros([2, 2], dtype=torch.float32)print(a)# 创建一个形状为[3, 3]的全零数组b = torch.zeros([3, 3], dtype=torch.float32)print(b)
输出结果:
tensor([[0., 0.],
[0., 0.]])
tensor([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
torch.ones()
创建一个全一矩阵.
格式:
torch.ones(*size, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor
参数:
size: 生成矩阵的形状, 必选
dtype: 数据类型, 默认为 None
例子:
# 创建一个形状为[2, 2]的全一数组a = torch.ones([2, 2], dtype=torch.float32)print(a)# 创建一个形状为[3, 3]的全一数组b = torch.ones([3, 3], dtype=torch.float32)print(b)
输出结果:
tensor([[1., 1.],
[1., 1.]])
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])
torch.tensor()
通过数据创建张量.
格式:
torch.tensor(data, *, dtype=None, device=None, requires_grad=False, pin_memory=False) → Tensor
参数:
data: 数据 (数组, 元组, ndarray, scalar)
dtype: 数据类型, 默认为 None
例子:
# 通过数据创建张量array = np.arange(1, 10).reshape(3, 3)print(array)print(type(array))tensor = torch.tensor(array)print(tensor)print(type(tensor))
输出结果:
[[1 2 3]
[4 5 6]
[7 8 9]]
tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]], dtype=torch.int32)
torch.rand()
创建一个 0~1 随机数的张量矩阵.
格式:
torch.rand(*size, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor
参数:
size: 生成矩阵的形状, 必选
dtype: 数据类型, 默认为 None
例子:
# 创建形状为[2, 2]的随机数矩阵rand = torch.rand(2, 2)print(rand)
输出结果:
tensor([[0.6209, 0.3424],
[0.3506, 0.7986]])
数学运算
torch.add()
返回相加的张量.
格式:
torch.add(input, other, *, out=None) → Tensor
例子:
# 张量相加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)
输出结果:
tensor([[1, 2],
[3, 4]])
tensor([[4, 3],
[2, 1]])
tensor([[5, 5],
[5, 5]])
注: 相加的张量形状必须一致, 否则会报错.
torch.sub()
返回相减的张量.
例子:
# 张量相减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)
输出结果:
tensor([[1, 2],
[3, 4]])
tensor([[4, 3],
[2, 1]])
tensor([[-3, -1],
[ 1, 3]])
torch.matmul()
例子:
# 张量矩阵相乘input1 = torch.tensor([[1, 1, 1]])print(input1)input2 = torch.tensor([[3], [3], [3]])print(input2)output = torch.matmul(input1, input2)print(output)
输出结果:
tensor([[1, 1, 1]])
tensor([[3],
[3],
[3]])
tensor([[9]])
索引操作
索引 (index) 可以帮助我们快速的找到张量中的特定信息.
例子:
# 简单的索引操作ones = torch.ones([3, 3])print(ones[: 2])print(ones[:, : 2])
调试输出:
tensor([[1., 1., 1.],
[1., 1., 1.]])
tensor([[1., 1.],
[1., 1.],
[1., 1.]])
以上是"PyTorch基本操作的示例分析"这篇文章的所有内容，感谢各位的阅读！希望分享的内容对大家有帮助，更多相关知识，欢迎关注行业资讯频道！
