【PyTorch与深度学习】3、PyTorch张量的运算API（下）

embedded/2024/12/22 18:31:04/

课程地址
最近做实验发现自己还是基础框架上掌握得不好，于是开始重学一遍PyTorch框架，这个是课程笔记，这个课还是讲的简略，我半小时的课听了一个半小时。

1. PyTorch的数据类型

数据类型dtype参数遗留的构造函数
32位浮点数torch.float32 或 torch.floattorch.*.FloatTensor
64位浮点数torch.float64 或 torch.doubletorch.*.DoubleTensor
64位复数torch.complex64 或 torch.cfloat
182位复数torch.complex128 或 torch.cdouble
第一类16位浮点数torch.float16 或 torch.half （指数位是用5个比特表示的）torch.*.HalfTensor
第二类16位浮点数torch.bfloat16（ 指数位是用8个比特表示的）torch.*.BFloat16Tensor
8位无符号整数torch.uint8torch.*.ByteTensor
8位有符号整数torch.int8torch.*.CharTensor
16位有符号整数torch.int16 或 torch.shorttorch.*.ShortTensor
32位有符号整数torch.int32 或 torch.inttorch.*.IntTensor
64位有符号整数torch.int64 或 torch.longtorch.*.LongTensor
布尔类型torch.booltorch.*.BoolTensor

浮点数计算方式详见IEEE 754二进制浮点数算术标准百度百科，实际炼丹的时候注意一下就行，不用细究，主要是精度不同。

2. 张量操作

（1）take：返回一个新张量，其元素为给定索引处的输入。输入张量被视为1-D张量。结果与索引具有相同的形状。

import torchsrc = torch.tensor([[4, 3, 5],[6, 7, 8]])
a = torch.take(src, torch.tensor([0, 2, 5]))  # 无论src是几维张量，都将其按行优先变成1维张量
#take[4, 3, 5, 6, 7, 8]从中找到下标位0, 2, 5的元素
print(a)

运行结果：
tensor([4, 5, 8])
（2）tile：通过重复输入的元素来构造张量。dims是指定在哪一个维度进行重复。如果 dims 指定的维度少于输入的维度，则将 ones 添加到 dims 之前，直到指定了所有维度。例如，如果输入的形状为 (8, 6, 4, 2)，而 dims 为 (2, 2)，则将 dims 视为 (1, 1, 2, 2)。

import torchx = torch.tensor([1, 2, 3])
print(x.tile((2,)))  # 相当于对[1, 2, 3]复制两份
y = torch.tensor([[1, 2], [3, 4]])
# 对第一个维度行复制两份，对第二个维度列复制两份
print(torch.tile(y, (2, 2)))
# 先复制行[[1,2], [3,4], [1,2], [3,4]]
# 再复制列[[1,2,1,2], [3,4,3,4], [1,2,1,2], [3,4,3,4]]
print(torch.tile(y, (3, 2)))  # 第一个维度复制3份，第二个维度复制两份
# 先复制行[[1,2], [3,4], [1,2], [3,4], [1,2], [3,4]]
# 再复制列[[1,2,1,2], [3,4,3,4], [1,2,1,2], [3,4,3,4], [1,2,1,2], [3,4,3,4]]

运行结果：
tensor([1, 2, 3, 1, 2, 3])
tensor([[1, 2, 1, 2],
[3, 4, 3, 4],
[1, 2, 1, 2],
[3, 4, 3, 4]])
tensor([[1, 2, 1, 2],
[3, 4, 3, 4],
[1, 2, 1, 2],
[3, 4, 3, 4],
[1, 2, 1, 2],
[3, 4, 3, 4]])

（3）transpose：对张量进行转置（二维张量，也就是矩阵，它的转置就类似矩阵转置），如果是多维度，可以通过dim0和dim1确定交换维度。

import torchx = torch.randn(2, 3)
print(x)
x = torch.transpose(x, 0, 1)  # 交换维度0和维度1，相当于取转置，写1, 0也是一样的，都是交换（转置）
print(x)

运行结果：
tensor([[-1.9731, -0.1187, 1.4879],
[ 0.7525, -1.9673, -0.9391]])
tensor([[-1.9731, 0.7525],
[-0.1187, -1.9673],
[ 1.4879, -0.9391]])

（4）unbind：移除一个张量的维度，默认移除0维度。

import torch# 默认按维度0（行）消除张量的维度，即拆分
print(torch.unbind(torch.tensor([[1, 2, 3],[4, 5, 6],[7, 8, 9]])))
# 按维度1（列）消除张量的维度，即拆分
print(torch.unbind(torch.tensor([[1, 2, 3],[4, 5, 6],[7, 8, 9]]), dim = 1))

运行结果：
(tensor([1, 2, 3]), tensor([4, 5, 6]), tensor([7, 8, 9]))
(tensor([1, 4, 7]), tensor([2, 5, 8]), tensor([3, 6, 9]))
（5）unsqueeze：在某些特定的维度上新增一个维度。

import torch# 在x维度上新增一维度，x的范围是(-x.dim-1,x.dim+1)
x = torch.tensor([1, 2, 3, 4])
a = torch.unsqueeze(x, 0)  # 在第0维度新增一个维度（新增后的第0维（行），是行上新增一个维度）
print(a)
b = torch.unsqueeze(x, 1)  # 在第1维度新增一个维度（新增后的第1维（列），是列上新增一个维度）
print(b)
c = torch.unsqueeze(x, -1)  # 在第最后一个维度新增一个维度（新增后的最后一个维度就是第1维（列），是列上新增一个维度）
print(c)

运行结果：
tensor([[1, 2, 3, 4]])
tensor([[1],
[2],
[3],
[4]])
tensor([[1],
[2],
[3],
[4]])

（6）vsplit：根据indices _or_sections，将输入（一个具有二维或多维的张量）垂直拆分为多个张量。每个分割都是一个输入视图。

import torcht = torch.arange(16.0).reshape(4,4)
print(t)
a = torch.vsplit(t, 2)  # 按垂直方向（行）分两份
print(a)
b = torch.vsplit(t, [3, 6])  # 按垂直方向（行）分3:6粉
print(b)

运行结果：
tensor([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.],
[12., 13., 14., 15.]])
(tensor([[0., 1., 2., 3.],
[4., 5., 6., 7.]]), tensor([[ 8., 9., 10., 11.],
[12., 13., 14., 15.]]))
(tensor([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.]]), tensor([[12., 13., 14., 15.]]), tensor([], size=(0, 4)))

（7）vstack：垂直（逐行）按顺序堆叠张量。

import torcha = torch.tensor([1, 2, 3])  # 行向量
b = torch.tensor([4, 5, 6])  # 行向量
print(torch.vstack((a,b)))  # 按垂直（行）方向，拼接行向量
a = torch.tensor([[1],[2],[3]])  # 列向量
b = torch.tensor([[4],[5],[6]])  # 列向量
print(torch.vstack((a,b)))  # 按垂直（行）方向，拼接列向量

运行结果：
tensor([[1, 2, 3],
[4, 5, 6]])
tensor([[1],
[2],
[3],
[4],
[5],
[6]])

（8）where：根据条件，返回从输入或其他输入中选择的元素的张量。（类似if else条件）

import torchx = torch.randn(3, 2)  # 随机值3x2张量
y = torch.ones(3, 2)  # 全1的3X2张量
print(x)
print(torch.where(x > 0, 1.0, 0.0))  # x某个位置元素大于0就将这个位置的元素赋值为1，否则就将这个位置的元素赋值为0
print(torch.where(x > 0, x, y))  # x某个位置元素大于0就保留，否则就将这个位置的元素赋值为y对应位置的元素
x = torch.randn(2, 2, dtype=torch.double)
print(x)
print(torch.where(x > 0, x, 0.))  # x某个位置元素大于0就将这个位置的元素赋值为x原本对应位置的元素，否则就将这个位置的元素赋值为0

运行结果：
tensor([[ 1.2857, 0.6624],
[-1.2176, -0.2741],
[-0.7331, -0.6283]])
tensor([[1., 1.],
[0., 0.],
[0., 0.]])
tensor([[1.2857, 0.6624],
[1.0000, 1.0000],
[1.0000, 1.0000]])
tensor([[ 0.0079, -0.1124],
[ 0.6240, -0.1965]], dtype=torch.float64)
tensor([[0.0079, 0.0000],
[0.6240, 0.0000]], dtype=torch.float64)

（9）manual_seed：设置用于生成随机数的种子。固定随机种子，方便对论文的复现。参数随机初始化，初始值不一样结果不同，如果随机种子固定就不会变化。
（10）bernoulli：伯努利采样，基于伯努利概率模型生成采样值，返回的是0或者1.

import torcha = torch.empty(3, 3).uniform_(0, 1)  # 生成服从正态分布的3x3矩阵
print(a)
print(torch.bernoulli(a))a = torch.ones(3, 3) # 3X3全为1的张量（概率为1）
print(torch.bernoulli(a))
a = torch.zeros(3, 3) # 3X3全为0的张量（概率为0）
print(torch.bernoulli(a))

运行结果：
tensor([[0.5975, 0.4570, 0.8206],
[0.4460, 0.0134, 0.4570],
[0.2273, 0.1717, 0.5898]])
tensor([[1., 0., 1.],
[0., 0., 1.],
[0., 0., 1.]])
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])
tensor([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])

【GPT回答】伯努利分布是概率论和统计学中的一种离散型概率分布，用来描述只有两种可能结果的随机试验，比如成功或失败、正面或反面、1或0等。它以其名字命名于瑞士数学家雅各布·伯努利。在伯努利分布中，随机变量取值为1表示成功的概率，取值为0表示失败的概率。这个分布的参数是成功的概率 p p p，通常表示为 Bern ( p ) \text{Bern}(p) Bern(p)。伯努利分布的概率质量函数可以用以下公式表示：
P ( X = x ) = p x ⋅ ( 1 − p ) 1 − x P(X=x) = p^x \cdot (1-p)^{1-x} P(X=x)=px⋅(1−p)1−x
其中， x x x 可以取 0 或 1，分别对应失败和成功， p p p 是成功的概率。
伯努利分布的期望值 E ( X ) E(X) E(X) 可以用 p p p 表示，方差 Var ( X ) ) 则为 ( p ( 1 − p ) \text{Var}(X) ) 则为 ( p(1-p) Var(X))则为(p(1−p)。这个分布在许多领域中都有广泛的应用，比如在金融领域的二项期权定价、医学试验的结果分析、工程项目的成功率分析等。

（11）normal：生成正态分布的采样，传入的参数是均值和方差。可以单独传均值和标准差，也可以共享均值，标准差传入的是一个张量。也可以共享标准差，均值不同。

import torchprint(torch.normal(mean=torch.arange(1., 11.), std=torch.arange(1, 0, -0.1)))  # 均值是1到11，方差是1到0，步长是-0.1# 共享均值0.5，标准差不一样
print(torch.normal(mean=0.5, std=torch.arange(1., 6.)))# 均值不一样，共享标准差
print(torch.normal(mean=torch.arange(1., 6.)))# 从均值为2，标准差为3的正态分布中取样出2X4的张量
print(torch.normal(2, 3, size=(2, 4)))

运行结果：
tensor([0.6761, 2.1100, 2.9759, 4.0812, 4.8908, 5.5873, 7.5505, 7.2527, 8.9929,
9.9476])
tensor([ 1.5508, 0.2023, 0.2276, -0.1333, 2.6893])
tensor([1.2311, 1.9547, 2.9189, 4.6270, 4.2430])
tensor([[-1.5097, -3.3287, 2.7755, 0.3581],
[ 5.4610, 2.5765, 2.7561, 3.8923]])
（12）rand：从0到1的区间（左闭右开）生成均匀分布。

import torchprint(torch.rand(4))  # 一维长度为4的[0,1)的均匀分布
print(torch.rand(2, 3))  # 二维2X3的[0,1)的均匀分布

运行结果：
tensor([0.0835, 0.1057, 0.9253, 0.3540])
tensor([[0.9528, 0.7700, 0.2160],
[0.8131, 0.7256, 0.2035]])

（13）randint：从指定区间随机取整数。左闭右开。

import torchprint(torch.randint(3, 5, (3,)))  # 在[3, 5)的整数中随机取三个值

运行结果：
tensor([4, 3, 4])
（14）randn：从均值为0标准差为1的正态分布中采样随机浮点数。

import torchprint(torch.randn(4))  # 生成长度为1的1维的均值为0标准差为1的正态分布的随机采样浮点数值
print(torch.randn(2, 3))  # 生成2X3的2维的均值为0标准差为1的正态分布的随机采样浮点数值

运行结果：
tensor([ 0.0714, -2.0626, -1.5583, 1.6608])
tensor([[ 1.0924, -1.8781, -0.1767],
[-0.7686, 1.1433, 1.4133]])

（15）randperm：将[0, x)中的整数进行随机组合。构建数据集，随机化数据集经常用。

import torchprint(torch.randperm(4))  # 生成[0,4)的整数的随机组合

运行结果：
tensor([1, 2, 3, 0])


http://www.ppmy.cn/embedded/28605.html

相关文章

设计模式之空对象模式

设计模式之空对象模式

空对象模式（Null Object Pattern）也称为零对象模式，是一种设计模式，用于代表空值的对象，而不是返回null。它的目的是让空对象能够像任何其他非空对象一样被使用，从而避免在代码中进行空值检查，提…
阅读更多...
小米笔记本文件夹里是空白怎么办？分享原因及解决方案

小米笔记本文件夹里是空白怎么办？分享原因及解决方案

随着科技的不断发展，笔记本电脑已成为我们日常生活和工作中不可或缺的一部分。而小米，作为知名的科技品牌，其笔记本产品凭借其出色的性能和合理的价格，受到了广大用户的喜爱。然而，在使用过程中，有时我们可…
阅读更多...
C++与或运算规则

C++与或运算规则

文章目录 前言问题1问题2 前言 在笔试中遇到c或与运算的问题&#xff0c;在这记录 问题1&#xff1a;2024.4.28 问题1 下面代码的运行结果&#xff1a; #include <iostream> using namespace std; bool fun1(char ch){cout<<ch<<" ";if(ch >a…
阅读更多...
实验六 SJK安全性语言

实验六 SJK安全性语言

实验题目 实验六 SJK安全性语言 实验时间 2023.5.3 实验地点 软件工程基础实验室 实验课时 2 实验目的 ​掌握自主存取控制权限的定义和维护方法。 实验要求 ​定义用户、角色&#xff0c;分配权限给用户、角色&#xff0c;回收权限&#xff0c;以相应的用户名登…
阅读更多...
java-函数式编程-函数对象

java-函数式编程-函数对象

定义 什么是合格的函数&#xff1f;无论多少次执行函数&#xff0c;只要输入一样&#xff0c;输出就不会改变 对象方法的简写 其实在类中&#xff0c;我们很多参数中都有一个this&#xff0c;被隐藏传入了 函数也可以作为对象传递&#xff0c;lambda就是很好的例子 函数式接口中…
阅读更多...
js判定-矩形内是否包含指定点

js判定-矩形内是否包含指定点

场景&#xff1a;使用JavaScript计算&#xff0c;一个由四个点(x1&#xff0c;y1)&#xff0c;(x2&#xff0c;y2)&#xff0c;(x3&#xff0c;y3)&#xff0c;(x4&#xff0c;y4&#xff09;逆时针顺序组成的矩形可以旋转。给定一个点(x&#xff0c;y)&#xff0c;判断该点是否…
阅读更多...
opencv_17_翻转与旋转

opencv_17_翻转与旋转

一、图像翻转 1&#xff09;void flip_test(Mat& image); 2&#xff09;void ColorInvert::flip_test(Mat& image) { Mat dst; //flip(image, dst, 0); //上下翻转 flip(image, dst, 1); //左右翻转 // flip(image, dst, -1); //180度翻转 imsho…
阅读更多...
Pyspark+关联规则 Kaggle购物篮分析案例

Pyspark+关联规则 Kaggle购物篮分析案例

数据集地址&#xff1a;Market Basket Analysis | Kaggle 我的NoteBook地址&#xff1a;pyspark Market Basket Analysis | Kaggle 零售商期望能够利用过去的零售数据在自己的行业中进行探索&#xff0c;并为客户提供有关商品集的建议&#xff0c;这样就能提高客户参与度、改…
阅读更多...
最新文章

Copyright @ 2022~2023