中文字幕理论片,69视频免费在线观看,亚洲成人app,国产1级毛片,刘涛最大尺度戏视频,欧美亚洲美女视频,2021韩国美女仙女屋vip视频

當(dāng)下流行的深度學(xué)習(xí)框架，都會涉及一個基本的概念，就是張量（Tensor）。張量是什么？簡單的理解，就是數(shù)據(jù)的容器。零維張量就是數(shù)字或者標量，一維張量就是向量，二維或者更高維就是矩陣。因為機器只能處理數(shù)字相關(guān)的信息，所以無論是圖片還是自然語言的處理，都需要把輸入信息轉(zhuǎn)化為高維數(shù)字矩陣的形式。

那為何需要新引入張量，而不直接使用numpy的ndarray呢？Tensor提供了一些輔助神經(jīng)網(wǎng)絡(luò)訓(xùn)練的功能，比ndarray更適合深度學(xué)習(xí)。

簡而言之一句話，就像python里的int,float,string等數(shù)據(jù)類型一樣，tensor就是深度學(xué)習(xí)框架的基本數(shù)據(jù)類型，以至于Google的深度學(xué)習(xí)框架名字就叫TensorFlow，就是“張量的流”的意思。

1.1.1.1.1      Tensor（張量）

我們初始化一個3行2列的矩陣，直接把數(shù)組直接賦值給torch.Tensor，可以通過Tensor的size函數(shù)查看張量的維度。

>>>import torch

>>> a = torch.Tensor([[1,1],[2,2],[3,3]])

>>> a

tensor([[ 1.,  1.],

        [ 2.,  2.],

        [ 3.,  3.]])

>>> a.size()

torch.Size([3, 2])

在實際的應(yīng)用場景中，我們難得會直接從數(shù)組中初始化Tensor，更多情況下，會初始化一個全0或全1亦或是隨機初始值的特定維度的張量。

有幾種常用的方法，比如得到3行2列值全為0的張量：

>>> a = torch.zeros((3,2))

>>> a

tensor([[ 0.,  0.],

       [ 0.,  0.],

       [ 0.,  0.]])

比如得到3行2列的隨機值的張量：

>>> b = torch.randn((3,2))

>>> b

tensor([[-0.0648, -1.2692],

       [ 0.9562,  0.0018],

       [-1.3293,  0.0097]])

對于張量內(nèi)的數(shù)據(jù)訪問，與numpy是一樣的，直接通過索引訪問和修改。

>>> b

tensor([[-0.0648, -1.2692],

       [ 0.9562,  0.0018],

       [-1.3293,  0.0097]])

>>>b[0,0]

tensor(1.00000e-02 *

      -6.4819)

>>>b[0,1]

tensor(-1.2692)

>>>b[0,1]=888

>>> b

tensor([[-6.4819e-02,  8.8800e+02],

       [ 9.5625e-01,  1.8241e-03],

       [-1.3293e+00,  9.7056e-03]])

關(guān)于Pytorch的Tensor，還有重要一點，就是可以和numpy的ndarray互轉(zhuǎn)。

>>>np_b = b.numpy()

>>> np_b

array([[-6.4819142e-02,  8.8800000e+02],

      [ 9.5624775e-01,  1.8241187e-03],

      [-1.3292531e+00,  9.7055538e-03]],dtype=float32)

從numpy的ndarray轉(zhuǎn)為torch的tensor同樣簡單，代碼如下：

>>> a = np.array([[1,1],[2,2]])

>>> a

array([[1, 1],

      [2, 2]])

>>>tensor_a = torch.from_numpy(a)

>>> tensor_a

tensor([[ 1, 1],

       [ 2,  2]], dtype=torch.int32)

張量加法有兩種形式，一種是直接使用加號，另一種使用torch.add方法：

>>> a = torch.Tensor([1,1])

>>> b = torch.Tensor([2,2])

>>>a+b

tensor([ 3., 3.])

>>>torch.add(a,b)

tensor([ 3.,  3.])

這里需要特別說明，深度學(xué)習(xí)里的張量計算，不是線性代數(shù)里的矩陣運算，而且元素直接計算，兩個參與計算的張量順序無關(guān)，比如a*b=b*a(線性代數(shù)里的矩陣是不可以的)，另外是張量的元素直接加減或乘除，各張量之間行數(shù)與列數(shù)必須相同，有幾個例外：

1，  標量，直接把標題作用于張量的每個元素。

>>> a

tensor([[ 1.,  1.],

       [ 2.,  2.]])

>>> a+1

tensor([[ 2.,  2.],

       [ 3.,  3.]])

2，  一維向量，向量長度需等于張量列數(shù)，各元素作用于列元素

>>> a =torch.Tensor([[1,1],[2,2]])

>>> a

tensor([[ 1.,  1.],

       [ 2.,  2.]])

>>>b = torch.Tensor([0.5,1.5])         #b是行向量

>>> a*b

tensor([[ 0.5000,  1.5000],

       [ 1.0000,  3.0000]]) #行向量，元素操作在列上

3，  行數(shù)相同，列數(shù)為1，元素使用于各行

>>>c = torch.Tensor([[0.5],[1.5]])     #c是2行1列的張量

>>> a*c

tensor([[ 0.5000,  0.5000],

       [ 3.0000,  3.0000]])#列向量，元素操作在各行上

view方法，就是對矩陣進行reshape，這個方法很重要，因為多層神經(jīng)網(wǎng)絡(luò)在相互連接的時候，前后兩個層的維度是需要對齊的，這時需要對tensor的size進行view：

>>> x = torch.randn(4, 4)

>>> y = x.view(-1,8) #負1表示這一個維度通過推斷得到。

>>> z = x.view(16)

(torch.Size([4, 4]), torch.Size([2, 8]),torch.Size([16]))