引言
本篇介绍创建tensor的几种方式
Import from numpyfrom_numpy()float64 是 double 类型，也就是说从numpy导入的float其实是double类型。从numpy导入的 int 还是 int 类型In[2]: import numpy as np
In[3]: import torch
In[4]: a = np
涉及到的方法有：torch.cat() torch.Tensor.expand()torch.squeeze() torch.Tensor.repeat()torch.Tensor.narrow() torch.Tensor.view()torch.Tensor.resize_() torch.Tensor.permute()torch.cat(seq, dim=0, out=None
PyTorch基础数据结构——张量一、Tensor概念What is Tensor? 如上图，张量是一个多维数组，它是标量、向量、矩阵的高维拓展。Tensor与Variable 张量在数学概念中是多维数组，在pytorch中，张量不仅仅表示多维数组，也是自动求导的关键。（声明：Variable是pytorch0.4.0版本之前的一个重要数据类型，但是从pytorch0.4.0版本开始，Variab
转载
2024-02-26 07:19:08
61阅读
# PyTorch Tensor 中轴的顺序
在深度学习中，Tensor 是数据的基本表示方式。PyTorch 中的 Tensor 是一个多维数组，适用于各种数值计算。理解 Tensor 中轴的顺序，对高效编写模型至关重要。这篇文章将介绍 PyTorch Tensor 的轴顺序，并通过代码示例加以说明。
## Tensor 轴的概念
在 PyTorch 中，Tensor 的维度（或轴）可以被
原创
2024-10-28 05:02:07
58阅读
# PyTorch Tensor 通道顺序转换完全指南
在使用深度学习框架 PyTorch 时，常常需要对图像数据进行预处理，其中通道顺序的转换是一个常见的操作。通道顺序通常指的是在图像数据中，颜色通道（如 RGB）的排列顺序。在许多情况下，PyTorch 的默认通道顺序是 (C, H, W)，即通道在前，高度在中，宽度在后；而有些库（如 OpenCV）则采用 (H, W, C) 的顺序。本文将
原创
2024-10-16 06:15:41
302阅读
一、张量（一）张量介绍张量(也可以叫做Tensors)是pytorch中数据存储和表示的一个基本数据结构和形式，它是一个多维数组，是标量、向量、矩阵的高维拓展。它相当于Numpy的多维数组(ndarrays),但是tensor可以应用到GPU上加快计算速度， 并且能够存储数据的梯度信息。
维度大于2的一般称为高维张量。以计算机的图像处理数据为例
3维张量，可以表示图像的：通道数×高
转载
2024-05-09 12:09:12
245阅读
使用Pytorch构建神经网络一般分为四个步骤：数据构建与处理（Dataset）构建神经网络和损失函数（nn.Module）对参数进行优化（torch.optim）模型的保存与加载一、Tensor(张量) Pytorch基本操作是OP，被操作的最基本对象是Tensor。Tensor表示一个多维矩阵。比如零位就是一个点，一维就是向量，二维就是矩阵，多维相当于一个多维的数组。这个numpy是对应的。而
转载
2024-06-09 07:44:20
58阅读
简介： 在现实生活中，除了分类问题外，也存在很多需要预测出具体值的回归问题，例如年龄预测、房价预测、股价预测等。相比分类问题而言，回归问题输出类型为一个连续值，如下表所示为两者的区别。在本文中，将完成房价预测这一回归问题。■ 分类问题与回归问题区别对于一个回归问题，从简单到复杂，可以采取的模型有多层感知机、SVR、回归森林算法等，下面将介绍如何使用这些算法完成这一任务。01、使用MLP实现房价预测
# 使用 PyTorch 实现顺序排列的 Tensor
在机器学习与深度学习的实践中，数据处理是一个重要的步骤，其中顺序排列的 Tensor 常常是我们需要的格式。本文将详细介绍如何使用 PyTorch 实现顺序排列的 Tensor，尤其适合刚入行的小白。以下是实现的流程和所需的代码示例。
## 流程概述
在开始之前，让我们先概述一下实现的流程。以下是一个简单的步骤表：
| 步骤 | 描述
原创
2024-08-06 08:42:50
29阅读
最近对网络做改进，遇到了一些改变tensor数据维度的操作，特记录在此，方便以后查阅。1.使用索引改变维度值a = torch.randint(10, (1, 3, 4, 5, 6))
b = a[:, 1:]
c = a[:, 1:, :, :, :]
print(a.shape)
print(b.shape)
print(c.shape)输出结果：这里可以看到，“:”在python中含有任取的
转载
2023-10-11 11:59:14
209阅读
深度之眼官方账号：01-02-张量简介与创建torch.tensor()b = torch.tensor(data,
dtype=None,
device=None,
requires_grad=False,
pin_memory=False)data：创建的tensor的数据来源，可以是list或numpy dtype：数据类型，默认与data一致
转载
2024-09-27 06:39:04
94阅读
作者：曾芃壹 文章目录Tensor基本创建方法Tensor快速创建方法常用数学操作线性代数运算连接和切片变形CUDA加速自动微分基本原理向前传播反向传播非标量输出 TensorTensor,中文为张量，是pytorch中最基本的数据类型#导入torch包
import torch基本创建方法#torch.Tensor()传入参数构造矩阵
x=torch.Tensor(2,4)
print(x)
p
转载
2023-10-20 20:44:27
214阅读
在文章PyTorch-Tutorials【pytorch官方教程中英文详解】- 1 Quickstart中是快速介绍版本。接下来具体看看pytorch中的重要概念：Tensor（张量）。官网链接：Tensors — PyTorch Tutorials 1.10.1+cu102 documentationTensors are a specialized data structure that ar
转载
2023-11-01 20:59:42
126阅读
pytorch作为一款经典的深度学习工具，几乎统治了科研/学生党在深度学习工具领域的全部江山。 从本篇博客开始，我将会陆续更新一些关于pytorch的基础用法和实战操作。 文章目录1 Tensor简介2 使用特定数据创建Tensor2.1 使用numpy格式的数据创建2.2 直接输入数据创建2.3 元素值相同矩阵的创建2.4 连续数据range的创建2.5 特殊矩阵的创建3 使用随机数据创建Ten
转载
2023-10-06 15:56:54
103阅读
创建Tensor的多种方法从numpy创建import torch
import numpy as np
a = np.array([2, 3.3])
a = torch.from_numpy(a) # torch.DoubleTensor从list创建a = torch.FloatTensor([2, 3.3]) # 尽量少用这种方式,容易和给shape的情况看混淆
b = torch.t
转载
2023-08-24 17:08:55
277阅读
上一篇博客讲述了如何根据自己的实际需要在pytorch中创建tensor，这一篇主要来探讨关于tensor的基本数据变换，是pytorch处理数据的基本方法。 文章目录1 tensor数据查看与提取2 tensor数据变换2.1 重置tensor形状:pytorch.view()2.2 增加/减少tensor维度:torch.unsqueeze()/torch.squeeze()2.3 tenso
转载
2023-08-26 16:01:49
107阅读
张量维度操作（拼接、维度扩展、压缩、转置、重复……）note: torch.fun(tensor1)和tensor1.fun()都只会返回改变后的tensor，但是tensor本身的维度和数据都不会变。包括unsqueeze、expand等等。张量切片选择TORCH.INDEX_SELECTtorch.index_select(input, dim, index, *, out=None)示例&g
转载
2024-08-22 22:25:09
62阅读
测试环境版本: torch1.7.1 + CPU python 3.6Tensor是pytorch中的“张量”，可以看作是类似numpy的矩阵 本文介绍如何创建与调整Tensor参考书目: 《深度学习框架pytorch: 入门与实践》陈云著首先引用torch:import torch as t1、创建tensor1）使用Tensor函数创建tensor# 1 指定形状
a = t.Tensor(2
转载
2023-12-13 02:29:42
135阅读
ensor的索引、切片和拼接一、相关命令命令1：拼接-torch.cat()格式： torch.cat(tensors, dim=0, out=None) → Tensor解释：在指定维度上拼接两个tensor>>> x = torch.randn(2, 3)
>>> x
tensor([[ 0.6580, -1.0969, -0.4614],
转载
2023-12-07 13:12:35
176阅读
模型的保存和加载都在系列化的模块下先看保存的更详细的可以参考这里https://pytorch.org/docs/stable/notes/serialization.html#preserve-storage-sharing torch.save()并torch.load()让您轻松保存和加载张量：最简单的就是t = torch.tensor([1., 2.])
torch.save(t, 't
转载
2023-10-11 06:23:50
2418阅读
