文章目录张量补全场景三阶张量张量运算内积外积Kronecker 积 (Kronecker Product)Hadamard乘积(Hadamard Product)Khatri-Rao乘积 (Khatri-Rao Product)n-mode 乘积张量与矩阵的模乘(Mode-n Product)示例数学示例具体步骤数学表达张量与向量的模积(Mode-n Product)概念理解数学描述公式数学示例
Pytorch的张量理解一、张量是什么张量本质就是多维向量按照对向量的理解，一维向量是Numpy中的一维数组[1,2,3]，二维向量是numpy中的二维数组[[1,2,3],[4,5,6]]更多维度的张量其实就是多维张量二、张量是什么样子创建张量，张量的内容如下# 一维张量
x1 = torch.tensor([1, 2])
# 二维张量
x2 = torch.tensor([[1, 2, 3],
转载
2024-10-13 09:37:18
50阅读
一. 概念：张量、算子 张量（tensor）理论是数学的一个分支学科，在力学中有重要应用。张量这一术语起源于力学，它最初是用来表示弹性介质中各点应力状态的，后来张量理论发展成为力学和物理学的一个有力的数学工具。张量之所以重要，在于它可以满足一切物理定律必须与坐标系的选择无关的特性。张量概念是矢量概念的推广，矢量是一阶
转载
2024-07-04 17:52:56
210阅读
首先比较一下Python列表（list）、Numpy数组（ndarray）、Tensorflow张量（Tensor）之间的区别：
>> Python列表：
元素可以使用不同的数据类型，可以嵌套
在内存中不是连续存放的，是一个动态的指针数组
读写效率低，占用内存空间大
不适合做数值计算
转载
2023-09-03 10:30:21
118阅读
由于原博客在word里编辑，插入了很多Mathtype公式，而不支持Mathtype，转换格式出现了很多麻烦和排版混乱，故此博客部分采用截图展示。原理程序及结果Python 程序：（1）LMS算法 （2）求MSE 结果：分析图1.1上图是滤波器输入信号，即滤波前含噪声的接收信号x(n)波形，从图中我们可以看出，输入信号中的噪声引起波形的随机性，对于有效信号s(n)的原波形造成了不同程度的波动，要想
转载
2023-10-02 06:21:00
271阅读
文章目录BasicsAbout shapesIndexingSingle-axis indexingMulti-axis indexingManipulating ShapesMore on dtypesReferences import tensorflow as tf
import numpy as npBasics张量是具有统一类型（dtype）的多维数组。它和 NumPy 中的 np.a
转载
2024-01-17 06:40:19
69阅读
第2章 神经网络的数学基础张量（tensor）一般来说，当前所有机器学习系统都使用张量作为基本数据结构。张量是数字的容器，矩阵就是二维张量。张量是矩阵向任意维度的推广。张量的维度通常称作轴。仅包含一个数字的张量叫做标量（也叫 0D张量）在 Numpy 中，一个 float32 或 float64 的数字就是一个标量张量（或标量数组）。你可以用 ndim 属性来查看一个 Numpy 张量的轴的个数。
转载
2023-12-01 10:59:46
33阅读
# 均方误差（MSE）的Python计算及可视化
在机器学习和统计学中，均方误差（Mean Squared Error, MSE）是评估模型预测性能的重要指标。它计算的是预测值与实际值之间差异的平方的平均值。MSE值越小，表明模型预测的准确性越高。本文将介绍如何使用Python计算MSE，并通过可视化来帮助更好地理解这一概念。
## 1. MSE的定义
均方误差可以用以下公式计算：
\[
# 如何在Python中实现均方误差（MSE）
均方误差（Mean Squared Error，MSE）是用于评估回归模型表现的重要指标。它通过测量预测值与真实值之间的差异来反映模型的准确性。在这篇文章中，我将教会你如何在Python中实现MSE，并将整个过程分解为几个简单的步骤。
## 流程概述
以下是实现MSE的基本流程：
| 步骤 | 描述
原创
2024-10-12 06:43:09
112阅读
numpy处理张量的包。张量是矩阵向任意维度的推广（张量的维度通常叫做轴 axis）。标量（0D张量） 仅包含一个数字的张量叫作标量(scalar，也叫标量张量、零维张量、0D 张量)。向量（1D张量） 数字组成的数组叫做向量（vector）或一维张量（1D张量）。矩阵（2D张量） 向量组成的数组叫作矩阵(matrix)或二维张量(2D 张量)。3D张量和更高维张量选
转载
2023-10-06 22:54:59
87阅读
陈天奇：内存张量结构DLPack的PythonAPI来了新智元2021-02-28 14:25:22【新智元导读】DLPack是一种开放的内存张量结构，用于在框架之间共享张量，近日，开发者陈天奇更新社交媒体详细介绍了为DLPack添加PythonAPI、语义和实现细节的内容。大家知道DLPack吗：深度学习从业人员或多或少都会有了解，诸如 Tensorflow、PyTorch 等深度学习框架，确实
转载
2023-11-14 09:20:24
29阅读
一、张量的操作: 拼接、切分、索引和变换一、张量的拼接与切分1、torch.cat()1、torch.cat()
功能: 将张量按维度dim进行拼接
torch.cat(tensors, dim=0, out=None)
tensors: 张量数据
dim: 需要拼接维度
主要有两种拼接方式：按行拼接和按列拼接，也就是dim=0和dim=1
e1 = torch.cat((A1,A2),
转载
2023-09-22 11:56:29
123阅读
# 了解均方误差（MSE）及其在Python中的实现
均方误差（Mean Squared Error，MSE）是数据分析和统计学中常用的一种损失函数，特别是在回归分析中。它用于衡量预测值与实际观测值之间的差异。通过计算每个数据点的误差（即实际值与预测值之间的差），然后将这些误差的平方取平均，得到MSE。较低的MSE值意味着模型具有更好的性能，反之则说明模型具有较大的偏差。
## MSE的计算原
文章目录一.张量的定义二.张量的生成1.torch.tensor()函数(1).创建(2).属性(3).张量求梯度2.torch.Tensor()类(1).普通创建(2).随机生成张量三.张量的数据类型1.获取张量的默认数据类型2.修改张量的默认数据类型3.张量数据类型转换4.torch和numpy转换(1).numpy 转 torch(2).torch 转 numpy四.张量的操作1.改变形状
转载
2023-08-17 21:19:07
146阅读
开始走起
Tensors
Tensors 类似于NumPy的 ndarrays, 另外，它还可以在GPU上使用加速计算。
from future import print_function
import torch构建一个 5x3 矩阵, 未初始化:
x = torch.empty(5, 3)
print(x)构建一个随机初始化的矩阵:
x = torch.rand(5, 3)
print(
tensorx = torch.rand(4,5)
torch.save(x.to(torch.device('cpu')), "myTensor.pth")
y = torch.load("myTensor.pth")
print(y)list 保存到本地就是保存为.npy文件import numpy as np
a = [(u'9000023330249', 1), (u'13142928
转载
2023-06-30 10:09:39
217阅读
目录一、张量概述：二、初始化张量：直接使用Python列表转化为张量：通过Numpy数组（ndarray）转换为张量：通过已有的张量生成新的张量：通过指定数据维度生成张量： 三、张量属性：四、张量的运算：1.张量的索引和切片：2.张量的拼接：3.张量的乘法和矩阵乘法：乘法（点乘）：矩阵乘法（叉乘）：4.自动赋值运算：五、Tensor和Numpy的相互转换：1.由tensor转换为ndar
转载
2023-06-19 18:58:18
615阅读
5. Tensor 分解张量的最大特征之一是可以被紧密地表示为分解形式，并且我们有强大的保证方法来得到这些分解。在本教程中，我们将学习这些分解形式以及如何进行张量分解。关于张量分解的更多信息，请参考1。5.1. Tensor 的 Kruskal 形式其思想是将张量表示为一阶张量的和, 也就是向量的外积的和。这种表示可以通过应用典型的Canonical Polyadic 分解(也称为CANDECOM
转载
2023-10-23 09:30:20
191阅读
pytorch张量运算张量的简介生成不同数据类型的张量list和numpy.ndarray转换为TensorTensor与Numpy Array之间的转换Tensor的基本类型转换（float转double，转byte等）torch.arange()、torch.range()、torch.linspace的区别：张量的重排（reshape、squeeze、unsqueeze、permute、t
转载
2023-05-26 10:08:33
176阅读
个人吐槽区：上一篇文章的学习是纯看书学的，后来发现这样有些看不进去，于是在B站上找了网课.......Element-wise operations（逐点运算）逐点运算，顾名思义，也就是两个同等规模的张量进行运算时，相同位置的数值进行同样的运算。举个栗子：import numpy as np
>>> x = np.array([ 1, 2, 5, 3])
>>>
转载
2023-12-28 20:34:33
99阅读
