pytorch工具——认识pytorch-Toy模板网

这篇具有很好参考价值的文章主要介绍了pytorch工具——认识pytorch。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

pytorch的基本元素操作

from __future__ import print_function
import torch

创建一个没有初始化的矩阵

x=torch.empty(5,3)
print(x)

pytorch工具——认识pytorch,pytorch解决nlp,pytorch,人工智能,python

创建一个有初始化的矩阵

x=torch.rand(5,3)
print(x)

pytorch工具——认识pytorch,pytorch解决nlp,pytorch,人工智能,python

创建一个全0矩阵并可指定数据元素类型为long

x=torch.zeros(5,3,dtype=torch.long)
print(x)

pytorch工具——认识pytorch,pytorch解决nlp,pytorch,人工智能,python

直接通过数据创建张量

x=torch.tensor([2,5,3,5])
print(x)

pytorch工具——认识pytorch,pytorch解决nlp,pytorch,人工智能,python

通过已有的一个张量创建相同尺寸的新张量

x=x.new_ones(5,3,dtype=torch.double)
print(x)

pytorch工具——认识pytorch,pytorch解决nlp,pytorch,人工智能,python

利用randn_like方法得到相同尺寸张量，并且采用随机初始化的方法为其赋值

y=torch.randn_like(x,dtype=torch.float)
print(y)

pytorch工具——认识pytorch,pytorch解决nlp,pytorch,人工智能,python

采用.size()方法来得到张量的形状

print(x.size())

pytorch工具——认识pytorch,pytorch解决nlp,pytorch,人工智能,python

加法

第一种方法

x=torch.randn(5,3)
y=torch.randn(5,3)
print(x+y)

第二种方法

print(torch.add(x,y))

第三种方法

result=torch.empty(5,3)
torch.add(x,y,out=result)
print(result)

第四种方式：原地置换(执行的是y=y+x)

y.add_(x)
print(y)

pytorch工具——认识pytorch,pytorch解决nlp,pytorch,人工智能,python
注意

切片操作

x[:,1]

pytorch工具——认识pytorch,pytorch解决nlp,pytorch,人工智能,python

改变张量的形状

x=torch.randn(4,4)
y=x.view(16)
z=x.view(-1,8)
x.size(),y.size(),z.size()

pytorch工具——认识pytorch,pytorch解决nlp,pytorch,人工智能,python

如果张量中只有一个元素，可以用item()将值取出，作为一个python number

x=torch.randn(1)
print(x,x.item())

pytorch工具——认识pytorch,pytorch解决nlp,pytorch,人工智能,python

torch tensor和numpy array之间的互相转换

a=torch.ones(5)
b=a.numpy()
a.add_(1)
print(a,b)

pytorch工具——认识pytorch,pytorch解决nlp,pytorch,人工智能,python

import numpy as np
a=np.ones(5)
b=torch.from_numpy(a)
np.add(a,1,out=a)
print(a,b)

pytorch工具——认识pytorch,pytorch解决nlp,pytorch,人工智能,python
注意

关于cuda tensor：tensor可以用.to()方法将其移动到任意设备上

windows
pytorch工具——认识pytorch,pytorch解决nlp,pytorch,人工智能,python
mac文章来源地址https://www.toymoban.com/news/detail-599690.html

if torch.backends.mps.is_available():
    device=torch.device('mps')
    #cpu上创建x，gpu上创建y
    x=torch.randn(1)
    y=torch.ones_like(x,device=device)
    x=x.to(device)
    #此时x，y都在gpu上
    z=x+y
    print(z)
    #再将z转移到cpu上
    print(z.to('cpu',torch.float32))