目录

• 1 什么是张量？
• 2 Pytorch数据类型与转化
• 3 张量Tensor的创建
• • 3.1 类型创建
  • 3.2 序列转换
  • 3.3 0/1张量
  • 3.4 对角张量
  • 3.5 正态张量
  • 3.6 随机向量
  • 3.7 线性张量
• 4 张量Tensor的索引
• • 4.1 下标索引
  • 4.2 条件索引
  • 4.3 附加控制索引

1 什么是张量？

张量(Tensor)是多维数组结构，在人工智能领域应用广泛，例如输入彩色图片即是3维张量——RGB三维且每维都是二维平面像素矩阵。

下面这张表直观地总结了张量的形式，这张表可以解决大部分的张量理解问题

2 Pytorch数据类型与转化

Pytorch中Tensor数据类型的转换可以使用

• 显式的type(new_type)
• 隐式的type_as(var)

举例如下：

a = torch.Tensor(2, 2)b = a.type(torch.DoubleTensor)c = a.type_as(b)>> a: tensor([[0.0000e+00, 0.0000e+00],              [8.4078e-45, 0.0000e+00]])>> b: tensor([[0.0000e+00, 0.0000e+00],              [8.4078e-45, 0.0000e+00]], dtype=torch.float64)>> c: tensor([[0.0000e+00, 0.0000e+00],              [8.4078e-45, 0.0000e+00]], dtype=torch.float64)

3 张量Tensor的创建

张量Tensor主要的创建方法如下所示。

3.1 类型创建

创建方法

• torch.Tensor()
• torch.DoubleTensor()
• …

实例

b = torch.cuda.DoubleTensor(2,2)>> b: tensor([[0., 0.],         [0., 0.]], device='cuda:0', dtype=torch.float64)

3.2 序列转换

创建方法

• torch.Tensor(list)
• torch.Tensor(narray)

实例

a = torch.DoubleTensor([[1, 2],[3, 4]])>> a: tensor([[1., 2.],        [3., 4.]], dtype=torch.float64)

3.3 0/1张量

创建方法

• torch.zeros()
• torch.ones()

实例

a = torch.ones(2,2)>> a: tensor([[1., 1.],        [1., 1.]])

3.4 对角张量

创建方法

• torch.eye()

实例

a = torch.eye(2,2)>> a: tensor([[1., 0.],        [0., 1.]])

3.5 正态张量

创建方法

• torch.randn()

实例

a = torch.randn(2,2)>> a: tensor([[-0.0451, -0.1602],            [-0.1116,  0.8266]])

3.6 随机向量

创建方法

• torch.randperm(n)：将0~n-1的整数随机排列成向量

实例

a = torch.randperm(3)>> a: tensor([2, 0, 1])

3.7 线性张量

创建方法

• torch.arrange(s,e,step)：生成从s到e间隔step的向量
• torch.linspace(s,e,num)：生成从s到e共num的均匀向量

实例

a = torch.arange(1,8,3)>> tensor([1, 4, 7])b = torch.linspace(1,8,3)>> tensor([1.0000, 4.5000, 8.0000])

4 张量Tensor的索引

对于一个给定Tensor，可通过Tensor的shape属性或size()方法查看其维度，通过numel()方法查看元素总数

a = torch.eye(3,3)print("shape维度", a.shape)print("size维度", a.size())print("numel元素个数", a.numel())>> shape维度 torch.Size([3, 3])>> size维度 torch.Size([3, 3])>> numel元素个数 9

Tensor维度按从左到右顺序分配dim索引号如下，新增维度的dim索引号总为0

具体的索引方式如下，设a=torch.Tensor([[0,1],[2,3]]))

4.1 下标索引

索引方法

• tensor[num]

实例

a[1]>> tensor([2., 3.])a[0,1]>> tensor(1.)

4.2 条件索引

索引方法

• tensor>0：符合条件为True
• tensor[tensor>0]：取出符合条件的元素
• torch.nonzero(tensor)：取出非零元素坐标

实例

a>0>> tensor([[False,  True],        [ True,  True]])a[a>0]>> tensor([1., 2., 3.])torch.nonzero(a)>> tensor([[0, 1],        [1, 0],        [1, 1]])

4.3 附加控制索引

索引方法

• torch.where(condition,x,y)：两个同型张量x、y，符合条件输出x相应位置元素，否则输出y
• tensor.clamp(min,max)：限制元素极值

实例

torch.where(a > 1, torch.full_like(a, 1), a)>> tensor([[0., 1.],        [1., 1.]])a.clamp(1,2)>> tensor([[1., 1.],        [2., 2.]])

---

🔥 更多精彩专栏：

• 《ROS从入门到精通》
• 《Pytorch深度学习实战》
• 《机器学习强基计划》
• 《运动规划实战精讲》
• …

👇源码获取 · 技术交流 · 抱团学习 · 咨询分享 请联系👇

来源地址：https://blog.csdn.net/FRIGIDWINTER/article/details/128883385