笛卡尔积 是一个域(这里我们取实数域)上的m维线性空间. 在中选基矢 , 中元素 : 其中均为实数. 对于给定的一组基矢， 可用 表示.实数域上n维线性空间选基矢 , 中元素:可表示为 , 其中均为实数.是线性空间和线性空间的笛卡尔积. 中元素是一个有序对, 它的基矢可为. 可由 m+n 个实数确定:所以是 m+n 维空间张量积 是到的同态映射(保持线性空间结构的映射)的集合, 称为 的对偶空间.
# PyTorch张量的转置入门指南
## 引言
在深度学习中，PyTorch是一个流行的框架，其核心组件是张量（Tensors）。张量是一个多维数组，可以用来存储和处理数据。在许多情况下，我们需要操作这些张量，例如转置（Transpose）它们。转置一个张量意味着改变其维度的顺序。在本指南中，我们将逐步了解如何在PyTorch中实现张量的转置。
## 基本流程
在学习如何转置张量之前，让
原创
2024-10-01 04:30:40
92阅读
对于 \(n\) 维向量 \(f\)\(f_i = f_i + c \times f_j\\\)\(f_i = f_i \times c\)\(\operatorname{swap}(f_i,f_j)\)（其中 \(c\) 是与 \(f\)（上面那三种线性运算都可以写成一个简单的 \(n \times n\) 的矩阵（初等矩阵）左乘 \(f\)。）那么因为矩阵有结合律，对 \(f\) 作一系列线
转载
2023-12-13 09:28:44
0阅读
Tensor创建#设置默认数据类型为其他类型
torch.set_default_tensor_type(torch.DoubleTensor)
ic(torch.tensor([1.2,3.4]).dtype)import torch
from icecream import ic
if __name__ == '__main__':
tensor = torch.Tensor([[1,
# PyTorch张量转置的实现
在机器学习和深度学习中，张量是数据处理的重要基础。张量转置是一个常见的操作，主要用于改变矩阵的维度，便于数据处理和模型训练。本文将详细介绍如何在PyTorch中实现张量的转置操作，并提供一个清晰的流程和代码示例供您参考。
## 步骤流程
下面的表格展示了实现张量转置的主要步骤：
| 步骤编号 | 步骤描述
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
(1-1)pytorch张量数据的索引与切片操作1、对于张量数据的索引操作主要有以下几种方式：a=torch.rand(4,3,28,28):DIM=4的张量数据a(1)a[:2]:取第一个维度的前2个维度数据(不包括2)；(2)a[:2,:1,:,:]：取第一个维度的前两个数据，取第2个维度的前1个数据，后两个维度全都取到；(3)a[:2,1:,:,:]：取第一个维度的前两个数据，取第2个维度的
转载
2024-01-05 16:47:45
141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
目录1 机器学习中张量的创建2 索引和切片访问张量中的数据3 张量的整体操作和逐元素运
原创
2022-06-26 00:02:36
518阅读
张量什么是张量？一个数，一个数组，一个矩阵都是张量。张量包含多个属性，下面我将进行介绍。 张量的维度，叫做轴（axis）。维度可以无限扩充。查看张量维度：>>> x.ndim标量（0D张量）对应的是数值，例如1，2，3等。向量（1D张量）我们传统理解上的向量是（0,1）、（256,256）等，但这里向量相当于所谓一维数组。>>> x = np.arra
转载
2023-08-14 11:30:59
91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
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
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
127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
张量求导规则 $\frac{\partial y}{\partial x}$1. 规则 $1$：形状规则 a. 只要 $y$ 或 $x$ 中有一个是标量，那么导数 $\frac{\partial y}{\partial x}$ 的形状和非标量的形状一致。 b. 如果 $y$ 和 $x$ 都是非标量，那么把 $y$ 拆成一
转载
2023-10-10 10:56:16
334阅读
对张量切片的方式和numpy 一样，如下out1=outs[:,:100]out2=outs[:,100:]下面是代码demoimport keras.backend as Kfrom tensorflow.keras.layers import concatenatefrom tensorflow.keras import Sequential,Modelfrom tensorflow.kera
原创
2023-01-13 05:54:13
197阅读
张量(tensor)其实是离散数学中的概念，有着清晰严格的定义，不过也很深奥，这里我们仅从程序员的角度简单理解一下。比如单个数字可以看做是0阶张量，一维数组就是1阶张量，二维数组（矩阵）就是2阶张量，依此类推。可以发现，张量是由一定规的数据集，有很好的抽象能力，能很好的刻画对象。比如对于个人，健康指标可以用0~1来表示，为0阶张量。健康状态可以用数组表示，
转载
2023-06-20 10:24:47
166阅读
说明和top slice的操作，并用 MATLAB 代码实现这些操作。
序列的两个主要特点是索引操作符和切片操作符。索引操作符让我们可以从序列中抓取一个特定项目；切片操作符让我们能够获取序列的一个切片，即一部分序列。下面举个简单的例子：#!/usr/bin/python
# Filename: seq.py
shoplist = ['apple', 'mango', 'carrot', 'banana']
# Indexing or 'Subscription' op
转载
2024-09-03 20:34:11
61阅读
# Python 中的张量运算：tensordot 的实现
在学习深度学习和科学计算中，张量运算是非常重要的一部分。`tensordot`是一个常用的函数，用于计算两个张量的点积。在本文中，我们将通过一个实例逐步实现`tensordot`，并确保你能够理解每一步的目的和代码实现。
## 整体流程概述
在实现`tensordot`之前，了解整个过程是很重要的。下面是一个简单的流程表格，展示实现
原创
2024-10-11 10:38:39
76阅读
