快捷導(dǎo)航

PyTorch中Tensor的數(shù)據(jù)類型和運(yùn)算的使用

更新時(shí)間：2020年09月03日 11:11:09 作者：ch_musk

這篇文章主要介紹了PyTorch中Tensor的數(shù)據(jù)類型和運(yùn)算的使用，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

在使用Tensor時(shí)，我們首先要掌握如何使用Tensor來定義不同數(shù)據(jù)類型的變量。Tensor時(shí)張量的英文，表示多維矩陣，和numpy對(duì)應(yīng)，PyTorch中的Tensor可以和numpy的ndarray相互轉(zhuǎn)換，唯一不同的是PyTorch可以在GPU上運(yùn)行，而numpy的ndarray只能在cpu上運(yùn)行。

常用的不同數(shù)據(jù)類型的Tensor，有32位的浮點(diǎn)型torch.FloatTensor, 64位浮點(diǎn)型 torch.DoubleTensor, 16位整形torch.ShortTensor, 32位整形torch.IntTensor和64位整形torch.LongTensor

一：Tensor的數(shù)據(jù)類型

1 torch.FloatTensor:用于生成數(shù)據(jù)類型為浮點(diǎn)型的Tensor，傳遞給torch.FloatTensor的參數(shù)可以是一個(gè)列表，也可以是一個(gè)維度值

2：torch.IntTensor：用于生成數(shù)據(jù)類型為整形的Tensor,傳遞給torch.IntTensor的參數(shù)可以是一個(gè)列表，也可以是一個(gè)維度值

3：torch.rand:用于生成數(shù)據(jù)類型為浮點(diǎn)型且維度指定的隨機(jī)Tensor,和在NumPy中使用的numpy.rand生成隨機(jī)數(shù)的方法類似，隨機(jī)生成的浮點(diǎn)數(shù)據(jù)在0-1區(qū)間均勻分布

4：torch.randn:用于生成數(shù)據(jù)類型為浮點(diǎn)型且維度指定的隨機(jī)Tensor,和在NumPy中使用numpy.randn生成隨機(jī)數(shù)的方法類似，隨機(jī)生成的浮點(diǎn)數(shù)的取值滿足均值為0，方差為1的正態(tài)分布

5：torch.range:用于生成數(shù)據(jù)類型為浮點(diǎn)型且自定義起始范圍和結(jié)束范圍的Tensor，所以傳遞給torch.range的參數(shù)有三個(gè)，分別是范圍的起始值，范圍的結(jié)束值和步長(zhǎng)，其中，步長(zhǎng)用于指定從起始值到結(jié)束值得每步得數(shù)據(jù)間隔

二：Tensor的運(yùn)算

通過對(duì)Tensor數(shù)據(jù)類型的變量進(jìn)行運(yùn)算，來組合一些簡(jiǎn)單或者復(fù)雜的算法，常用的Tensor運(yùn)算如下。

1.torch.abs:將參數(shù)傳遞到torch.abs后返回輸入?yún)?shù)的絕對(duì)值作為輸出，輸入?yún)?shù)必須是一個(gè)Tensor數(shù)據(jù)類型的變量。

2.torch.add:將參數(shù)傳遞到torch.add后返回輸入?yún)?shù)的求和結(jié)果作為輸出，輸入?yún)?shù)可以全部是Tensor數(shù)據(jù)類型的變量，也可以一個(gè)是Tensor數(shù)據(jù)類型的變量，另一個(gè)是標(biāo)量。

3.torch.clamp:對(duì)輸入?yún)?shù)按照自定義的范圍進(jìn)行裁剪，最后將參數(shù)裁剪的結(jié)果作為輸出。所以輸入?yún)?shù)一共有三個(gè)，分別是需要進(jìn)行裁剪的一共三個(gè)，分別是需要進(jìn)行裁剪的Tensor數(shù)據(jù)類型的變量，裁剪的上邊界，下邊界。過程是，讓變量的每個(gè)元素分別和上下邊界比較，如果小于下邊界，該元素就被重寫下邊界的值，如果大于上邊界，該元素就被重寫上邊界的值。

4.torch.div:將參數(shù)傳遞到torch.div后返回輸入?yún)?shù)的求商結(jié)果作為輸出，同樣，參與運(yùn)算的參數(shù)可以全部是Tensor數(shù)據(jù)類型的變量，也可以是Tensor數(shù)據(jù)類型的變量和標(biāo)量的組合

5.torch.mul：將參數(shù)傳遞到torch.mul后返回輸入?yún)?shù)求積的結(jié)果作為輸出，參與運(yùn)算的參數(shù)可以全部是Tensor數(shù)據(jù)類型的變量，

也可以是Tensor數(shù)據(jù)類型的變量和標(biāo)量的組合

6.torch.pow:將參數(shù)傳遞到torch.pow后返回輸入?yún)?shù)的求冪結(jié)果作為輸出，參與運(yùn)算的參數(shù)可以全部是Tensor數(shù)據(jù)類型的變量，

也可以是Tensor數(shù)據(jù)類型的變量和標(biāo)量的組合

就是a的b次方

7.torch.mm:將參數(shù)傳遞到torch.mm后返回輸入?yún)?shù)的求積結(jié)果作為輸出，不過這個(gè)求積結(jié)果的方式和之前的torch.mul運(yùn)算方式不一樣，toch.mm運(yùn)用矩陣之間的乘法法則進(jìn)行計(jì)算，所以被傳入的參數(shù)會(huì)被當(dāng)作矩陣進(jìn)行處理，參數(shù)的維度自然也要滿足矩陣乘法的前提條件，即前一個(gè)矩陣的行數(shù)必須和后一個(gè)矩陣的列數(shù)相等，否則不能計(jì)算。

8.torch.mv：將參數(shù)傳遞到torch.mv后返回輸入?yún)?shù)的求積結(jié)果作為輸出，torch.mv運(yùn)用矩陣與向量之間的乘法規(guī)則進(jìn)行計(jì)算，被傳入的第一個(gè)參數(shù)代表矩陣，第二個(gè)參數(shù)代表向量，順序不能顛倒

到此這篇關(guān)于PyTorch中Tensor的數(shù)據(jù)類型和運(yùn)算的使用的文章就介紹到這了,更多相關(guān)PyTorch Tensor數(shù)據(jù)類型和運(yùn)算內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: