tensor可以直接从现有的数据中创建,这些数据的数据类型可以被识别,torch.tensor(d_type)
d_type的数据类型
Any Type
一种特殊的类型
静态类型检查器会将每种类型都视为与Any兼容,将Any视为与每种类型兼容列表
import torch
import numpy as np
a_list = [[1,2,3],[3,4,6]]
a_tensor = torch.tensor(a_list)
a_tensor
#输出 a_tensor
tensor([[1, 2, 3],
[3, 4, 6]])
a_tuple = ((1,2,3),(5,6,7))
a_tuple_tensor = torch.tensor(a_tuple)
a_tuple_tensor
#输出a_tuple_tensor
tensor([[1, 2, 3],
[5, 6, 7]])
可以将numpy中的array转化为tensor
data = [[1,2,3],[3,4,6]]
np_array = np.array(data)
x_np = torch.from_numpy(np_array)
#输出x_np
tensor([[1, 2, 3],
[3, 4, 6]], dtype=torch.int32)
①创建同tensor X 同属性的,值全为1的tensor
属性: 形状 、数据类型
x_ones = torch.ones_like(x_np)
#输出 x_ones
tensor([[1, 1, 1],
[1, 1, 1]], dtype=torch.int32)
②创建同tensor X 相同形状不同数据类型,值为随机值的tensor
x_rand = torch.rand_like(x_np,dtype = torch.float)
#输出x_rand
tensor([[0.36, 0.19, 0.1832],
[0.2350, 0.4274, 0.1292]])
shape:tensor的维度,是一个元组,决定了输出的tensor的维度
shape = (3,3)
rand_tensor = torch.rand(shape)
#输出rand_tensor
tensor([[0.50, 0.4999, 0.0699],
[0.3351, 0.5203, 0.4060],
[0.2223, 0.93, 0.5312]])
one_tensor = torch.ones(shape)
#输出one_tensor
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])
zero_tensor = torch.zeros(shape)
#输出zero_tensor
tensor([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
tensor的属性描述了tensor的维度、类型、tensor存储的设备:GPU or cpu
one_tensor
#输出
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])
one_tensor.shape
torch.Size([3, 3])
one_tensor.dtype
torch.float32
one_tensor.device
device(type='cpu')
因篇幅问题不能全部显示,请点此查看更多更全内容
Copyright © 2019- azee.cn 版权所有 赣ICP备2024042794号-5
违法及侵权请联系:TEL:199 1889 7713 E-MAIL:2724546146@qq.com
本站由北京市万商天勤律师事务所王兴未律师提供法律服务