TensorFlow用张量这种数据结构来表示所有的数据.你可以把一个张量想象成一个n维的数组或列表.一个张量有一个静态类型和动态类型的维数.张量可以在图中的节点之间流通.阶在TensorFlow系统中，张量的维数来被描述为阶.但是张量的阶和矩阵的阶并不是同一个概念.张量的阶（有时是关于如顺序或度数或者是n维）是张量维数的一个数量描述.比如，下面的张量（使用Python中list定义的）就是2阶(二
# PyTorch 中的矩阵、向量、标量之间的乘法
# 一、torch.mul()
# 注意：torch.mul() 是支持广播操作
# torch.mul(input, value, out=None)
# 用标量值 value 乘以输入 input 的每个元素，并返回一个新的结果张量。 out = tensor ∗ value
# 如果输入是FloatTensor or Do
转载
2023-10-28 13:26:50
115阅读
# PyTorch中张量通道顺序的转换
在深度学习中，图像数据通常以张量的形式输入到模型中。PyTorch是一个流行的深度学习框架，它的张量具有灵活的维度，可以按照不同的通道顺序进行处理。在这篇文章中，我们将探讨如何在PyTorch中转换张量的通道顺序，并提供代码示例和状态图来帮助理解。
## 一、理解张量的通道顺序
张量在计算机视觉任务中通常表示为四维数据，形状为 `(N, C, H, W
前言 张量的操作主要包括张量的形状改变和张量的计算，前者包括张量的拼接（包括torch.stack()理解）、拆分、索引和变换等，后者包括加法、减法，乘加、除加等。本笔记的框架主要来源于深度之眼，并作了一些相关的拓展，拓展内容主要源自对torch文档的翻译和理解。 文中涉及张量创建函数的使用方法见：深度之眼Pytorch打卡（二）：Pytorch张量与张量的创建张量拼接
torch.cat
转载
2023-10-07 17:09:45
77阅读
# Python张量转化为6个通道的详解
在计算机视觉和深度学习中，张量（tensor）是一个非常重要的数据结构。在某些应用中，我们可能需要将原始数据转化为特定形状的张量，比如将数据的通道数修改为6。本文将详细讲解如何使用Python进行这一操作，并提供清晰的过程和代码示例。
## 整体流程
在实现张量转化的过程中，我们会遵循以下几个步骤。下面的表格简要概括了这一流程。
| 步骤编号 |
原创
2024-10-17 11:00:07
17阅读
一般一维数组，我们称之为向量（vector）,二维数组，我们称之为矩阵（matrix）;三维数组以及多位数组，我们称之为张量（tensor）。
在介绍张量分解前，我们先看看矩阵分解相关知识概念。 一、基本概念矩阵补全（Matrix Completion）目的是为了估计矩阵中缺失的部分（不可观察的部分），可以看做是用矩阵X近似矩阵M，然后用X中的元素作为矩阵M中不
转载
2024-01-23 17:02:49
358阅读
最近看的一篇paper需要的背景知识（可能略有删改）目录1.张量简介2.张量的定义与运算2.1 张量(Tensor)2.2 纤维(Fibre)2.3 切片(Slice)2.4 内积(Inner product)2.5 矩阵展开(Unfolding-Matricization)2.6 外积(Outer Product)2.7 Kronecker乘积(Kronecker Product)2
文章目录1. pytorch张量1.1 初始化张量1.2 张量类型1.3 创建随机值张量1.4 张量属性1.5 将张量移动到显存2. 张量运算2.1 与NumPy数据类型的转换2.2 张量的变形2.3 张量的自动微分 1. pytorch张量PyTorch最基本的操作对象是张量，张量是PyTorch中重要的数据结构，可认为是一个高维数组。张量类似NumPy的数组(ndarray)，与ndarra
转载
2023-10-11 10:15:38
141阅读
目录2.1 张量的数据类型2.2 张量的生成 (1)使用torch.tensor()函数生成张量 (2) torch.Tensor()函数（3）张量和Numpy数据相互转换（4）随机数生成张量（5）其他生成张量的函数2.3 张量操作 (1) 改变张量的形状 (2)获取张量中的元素（需要细化)2.4 张量计算
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
feed_dict 方法它不止是一个方法，同时还是一个观念，让我们可以更加明确的了解到节点创立的时候，并不包含了让节点执行动作的过程，也因为 Tensorflow 这样的特性，我们可以让流程先创立好，最后等到要运算真正开始执行的时候，再放入数字即可，就好比先打造出一个游乐园，等着人进来玩游戏,详情如下简单代码：import tensorflow astf
m= tf.add(5, 3)
n = t
转载
2024-04-29 13:59:19
18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
PyTorch框架学习（二） — 张量操作与线性回归1 张量的操作1.1 拼接1.2 切分1.3 索引1.4 变换2 张量的数学运算2.1 加法运算2.2 减法运算2.3 哈达玛积运算(element wise，对应元素相乘)2.4 除法运算2.5 特殊运算 torch.addcdiv2.6 特殊运算 torch.addcmul2.7 幂函数2.7 指数函数2.8 对数函数2.9 三角函数2.1
转载
2023-09-14 22:03:42
157阅读
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
作者?️♂️：让机器理解语言か专栏?：PyTorch描述?：PyTorch 是一个基于 Torch 的 Python 开源机器学习库。寄语?：?没有白走的路，每一步都算数！? 张量（Tensor）介绍 PyTorch 中的所有操作都是在张量的基础上进行的，本实验主要讲解了张量定义和相关张量操作以
转载
2024-03-11 20:50:12
106阅读
张量操作在tensorflow中，有很多操作张量的函数，有生成张量、创建随机张量、张量类型与形状变换和张量的切片与运算生成张量固定值张量tf.zeros(shape, dtype=tf.float32, name=None)创建所有元素设置为零的张量。此操作返回一个dtype具有形状shape和所有元素设置为零的类型的张量。 tf.zeros_like(tensor, dtype=Non
转载
2024-01-11 13:49:16
136阅读
一、张量tensor张量的三个特征：秩、轴、形状张量的秩是指索引的个数，轴是指每一个维度的最大的索引的值，张量的形状提供了维度和索引的数量关系。经常需要对张量进行重塑t.reshape(1,9)利用上述函数可以将张量按任意想要的形状进行重塑下面我们考虑具体的情况，将张量带入CNN的输入中这里的张量的秩为4，即[B,C,H,W]，其中后两个维度作为每一个像素的长和宽的索引，第三个维度作为RBG或者灰
转载
2023-10-26 11:26:48
108阅读
Pytorch 零基础学习系列 之 创建张量在深度学习中，神经网路结构是基础；在Pytorch中，张量是构建神经网络的基础 。从本质上讲，Pytorch就是一个处理张量的库。一个张量可以是一个数字、向量、矩阵或者任何n维数组。比较重要的一点是张量可以在GPU上进行计算。例如，下图分别展示了1维张量，2维张量和3维张量：如何创建一般张量？方法一(1) 导入 pytorch 和 numpyimport
转载
2023-08-30 10:36:22
164阅读
Pytorch简介Pytorch是一个基于Python的深度学习框架，可以代替Numpy在GPU上进行科学计算。什么是TensorTensor即张量，类似于Numpy的ndarrays，tensor可以在GPU上使用以加速计算。Pytorch创建张量的常用方法创建一个未初始化的张量，其值不确定：# 初始化值不确定，由所分配内存的当前值决定
x = torch.empty(5, 3)
print(x
转载
2023-09-21 06:25:21
396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
