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
pytorch中对tensor操作：分片、索引、压缩、扩充、交换维度、拼接、切割、变形1 根据维度提取子集2 对数据进行压缩和扩充：torch.squeeze() 和torch.unsqueeze()3 对数据维度进行交换：tensor.permute()4 对数据进行拼接：torch.cat(), torch.stack()5 对数据进行切割：torch.split()6 对数据进行变形：te
转载
2023-11-26 10:58:02
757阅读
文章目录创建tensor直接创建从numpy中获得数据创建特定的tensor 根据数值要求：根据矩阵要求:随机采用生成:基本运算，加减乘除乘法对数运算：幂函数：指数运算截断函数对比操作：python number的获取tensor设置判断:设置: 通过一些内置函数，可以实现对tensor的精度, 类型，print打印参数等进行设置tensor的一些用法： 创建tensor直接创建torch.te
转载
2023-11-10 11:45:59
311阅读
# 如何使用 PyTorch 实现一维 Tensor 相乘
在深度学习中，PyTorch 是一个流行的框架，它提供了丰富的功能和工具，方便开发者进行张量（Tensor）操作。今天，我们将一起学习如何在 PyTorch 中实现一维 Tensor 的相乘操作。
## 整体流程
在开始之前，让我们先看一下实现一维 Tensor 相乘的总体流程。下表清晰地列出了每个步骤及其对应的操作：
| 步骤
1、张量1.1 pytorch和python的对比python：int、float、tuple(元组)、stringpytorch：以tensor结尾，不同类型的tensor的维度不同 例如：整型数字tensor维度为0，二维数组tensor的维度为2维1.2 pytorch特殊地方pytorch不支持string，可以用one-hot编码表示字符常见类型：float32对应pytorch：tor
转载
2023-09-29 08:42:41
188阅读
Tensor的基础知识张量的基本概念 张量（Tensor）是神经网络中使用的主要数据结构，在网络的输入、转换和输出都涉及到张量。张量的概念是对其他更具体概念的数学概括，张量在计算机科学方面和数学方面本质上相同，但术语不同，对比图如下，其中Indexes required表示需要的索引数。 换言之，在深度学习和神经网络中，张量是n维数组，我们用张量这个词来表示所有的n值，比如标量是零维张量、矢量是一
转载
2023-12-06 17:49:09
138阅读
在深度学习框架PyTorch中，操作张量（tensor）时，有时需要去除某一维度的张量。这在处理数据时非常常见，例如，如果数据输入的格式不符合模型的要求，我们就需要去掉不必要的维度。本文将详细记录如何在PyTorch中去除tensor的某一维，包括环境准备、集成步骤、配置详解、实战应用、排错指南，以及性能优化等方面。
## 环境准备
为了顺利实现PyTorch中去除tensor某一维的功能，我
# PyTorch Tensor如何降一维
在深度学习和数据科学领域，PyTorch 是一个越来越受欢迎的深度学习框架。作为一个研究和生产界通用的工具，PyTorch 提供了丰富的功能来处理多维数据结构，即张量（tensor）。在实践中，常常需要对这些张量进行维度操作，包括“降维”。本文将深入探讨 PyTorch 张量的降一维操作，包括多种方法、代码示例、流程图和关系图等。
## 什么是降维？
# 如何实现pytorch 一维tensor转置
## 一、流程图
```mermaid
erDiagram
确定需要转置的一维tensor --> 利用torch.transpose函数进行转置
```
## 二、步骤
| 步骤 | 操作 |
| ---- | ---- |
| 1 | 确定需要转置的一维tensor |
| 2 | 利用torch.transpose函数进行转置
原创
2024-04-11 05:43:58
105阅读
view()打平函数需要注意的是打平之后的tensor是需要有物理意义的，根据需要进行打平，并且打平后总体的大小是不发生改变的。并且一定要谨记打平会导致维度的丢失，造成数据污染，如果想要恢复到原来的数据形式，是需要靠人为记忆的。现在给出一个tensor——a.shape=torch.Size([4, 1, 28, 28])，打平a.view(4,1*28*28)，此时a.view(4,1*28*2
转载
2024-08-20 18:07:58
96阅读
# PyTorch Tensor 一维升二维的方法与示例
在深度学习和科学计算中，PyTorch 是一个非常强大的框架，其核心构建块之一就是 Tensor。Tensor 是一种多维数组，可以用于各种数学运算。在实际应用中，我们经常需要将一维 Tensor 升维为二维 Tensor，本文将介绍 PyTorch 中如何实现这一点，并通过代码示例和图示来帮助读者理解。
## 什么是 Tensor？
用 numpy 创建 tensor：import numpy as np
import torch
a_np = np.array([2,3.3])
a_tensor = torch.from_numpy(a_np)
print("a_tensor: ", a_tensor)用 list 创建 tensorimport torch
a_list = [2,3.3]
a_torch = torc
转载
2024-05-15 06:28:01
91阅读
## 实现PyTorch Tensor降维的方法
### 介绍
作为一名经验丰富的开发者，我将向你解释如何在PyTorch中实现Tensor的降维操作。这对于刚入行的小白来说可能是一个有挑战性的任务，但是通过本文的指导，你将能够轻松掌握这一技巧。
### 流程图
```mermaid
sequenceDiagram
小白->>开发者: 请求帮助实现PyTorch Tensor降维
原创
2024-05-26 06:28:33
215阅读
# PyTorch 中一维 Tensor 镜像反转的实现指南
在深度学习和机器学习的领域，PyTorch 是一个非常流行的框架。在处理数据时，我们有时需要对一维 Tensor 进行镜像反转。在本文中，我将指导你如何在 PyTorch 中实现这个操作。
## 文章结构
以下是我们要遵循的流程（例如步骤以及需要的代码）：
| 步骤 | 描述
原创
2024-09-06 05:29:48
131阅读
# pytorch tensor 一维数组转二维
## 介绍
在使用PyTorch进行深度学习任务时，我们经常需要处理各种形状的数据。其中，将一维数组转换为二维数组是一个常见的操作。本文将向你介绍如何使用PyTorch将一维数组转换为二维数组。
在开始之前，请确保你已经正确安装了PyTorch，并且对基本的PyTorch张量操作有一定的了解。
## 流程
下面是将一维数组转换为二维数组的
原创
2023-12-07 12:05:18
131阅读
# 使用 PyTorch 实现 Tensor 从二维转换为一维
在深度学习和机器学习中，处理数据的形状是非常重要的，尤其是在使用 PyTorch 这种深度学习框架时。今天，我们就来看看如何将一个二维的 Tensor 转换为一维的 Tensor。以下是整个流程的概述。
## 流程概述
下面是将二维 Tensor 转换为一维 Tensor 的步骤：
```mermaid
flowchart T
pytorch 中维度（Dimension）概念的理解Dimension为0（即维度为0时）维度为0时，即tensor(张量)为标量。例如：神经网络中损失函数的值即为标量。 接下来我们创建一个dimension为0 的tensor#导入torch
import torch
#创建一个维度为0的tensor
a = torch.tensor(1.)
print(a)#输出a
print(a.size
转载
2023-09-01 12:58:14
717阅读
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
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
首先说明，这个是 20200314 的帖子，可能各位大大看到的时候，情况已经发生了变化，各位做参考就好了。前面是拉拉杂杂的，可以直接到后面的安装其实安装 tersorRT 其实比较简单，但是要将 tensorRT 和 pytorch 安装在一个盒子里面，就尴尬了。应该在实际的运行环境，不需要这样做，因为按照官方介绍 tensorRT 是做运用环境下的部署，运行环境建议大家直接使用 tensorRT
