Pytorch創(chuàng)建隨機(jī)值張量的過程詳解
2-Pytorch創(chuàng)建隨機(jī)值張量
1 導(dǎo)入必備庫
import torch import numpy as np
2 使用torch.rand()創(chuàng)建0-1均勻分布的隨機(jī)數(shù)
t = torch.rand(2,3) print(t)
輸出：
tensor([[0.1452, 0.1435, 0.2124],
[0.6646, 0.5232, 0.1572]])
3 使用torch.randn()創(chuàng)建正態(tài)分布的隨機(jī)數(shù)
t = torch.randn(2,3) print(t)
輸出：
tensor([[-0.5325, -0.4938, 0.6301],
[-0.6313, -0.1412, 2.2926]])
4 使用torch.zeros()創(chuàng)建全0張量
t = torch.zeros(3) print(t) print(t.dtype)
輸出：
tensor([0., 0., 0.])
torch.float32
5 使用torch.ones()創(chuàng)建全1張量
t = torch.ones(3) print(t) print(t.dtype)
輸出：
tensor([1., 1., 1.])
torch.float32
6 從另一個張量創(chuàng)建新的張量
x = torch.zeros_like(t) print(x) x = torch.rand_like(t) print(x)
輸出：
tensor([0., 0., 0.])
tensor([0.6516, 0.5740, 0.6379])
7 張量的屬性：
tensor.shape返回張量的形狀，與tensor.size()方法等價，tensor.dtype返回當(dāng)前張量的類型
t = torch.ones(2,3,dtype= torch.float64) print(t.shape) print(t.size()) print(t.size(1)) # 返回第二維度大小 print(t.dtype) print(t.device)
輸出：
torch.Size([2, 3])
torch.Size([2, 3])
3
torch.float64
cpu
8 將張量移動到顯存，使用tensor.to()方法將張量移動到GPU上
# 如果GPU可用，將張量移動到顯存
# 設(shè)置使用哪塊芯片，多塊GPU使用逗號隔開
# import os
# os.environ['CUDA_VISIBLE_DEVICES'] = '0' # 多塊GPU設(shè)置，如：'0,1,2'
if torch.cuda.is_available():
t = t.to('cuda')
print(t.device)輸出：
cuda:0
9 更穩(wěn)妥的移動顯存方法，無論是否有GPU都能保證運行
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') # 啟動cuda
print("Using {} device".format(device)) # 打印當(dāng)前設(shè)備
t = t.to(device)
print(t.device)輸出：
Using cuda device
cuda:0
到此這篇關(guān)于Pytorch創(chuàng)建隨機(jī)值張量的文章就介紹到這了,更多相關(guān)Pytorch隨機(jī)值張量內(nèi)容請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！
相關(guān)文章
本文主要介紹了Python asyncio異步編程常見問題小結(jié)，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2023-01-01
python進(jìn)程的狀態(tài)、創(chuàng)建及使用方法詳解
這篇文章主要介紹了python進(jìn)程的狀態(tài)、創(chuàng)建及使用方法,結(jié)合實例形式詳細(xì)分析了Python進(jìn)程的概念、原理、工作狀態(tài)、創(chuàng)建以及使用方法,需要的朋友可以參考下2019-12-12
Pytorch pth 格式轉(zhuǎn)ONNX 格式的詳細(xì)過程
PyTorch 訓(xùn)練的模型，需要在Jetson nano 上部署，jetson 原生提供了TensorRT 的支持，所以一個比較好的方式是把它轉(zhuǎn)換成ONNX 格式，然后在通過ONNX 轉(zhuǎn)換成TensorRT 格式，這篇文章主要介紹了Pytorch pth 格式轉(zhuǎn)ONNX 格式,需要的朋友可以參考下2023-05-05
解決Djang2.0.1中的reverse導(dǎo)入失敗的問題
今天小編就為大家分享一篇解決Djang2.0.1中的reverse導(dǎo)入失敗的問題，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-08-08
本文對于PyTorch中的各種維度變換的函數(shù)進(jìn)行總結(jié),包括reshape()、view()、resize_()、transpose()、permute()、squeeze()、unsqeeze()、expand()、repeat()函數(shù)的介紹和對比,感興趣的可以了解一下2024-02-02
通過LyScript實現(xiàn)從文本中讀寫ShellCode
LyScript 插件通過配合內(nèi)存讀寫，可實現(xiàn)對特定位置的ShellCode代碼的導(dǎo)出。本文將利用這一特性實現(xiàn)從文本中讀寫ShellCode，感興趣的可以了解一下2022-08-08
快速解釋如何使用pandas的inplace參數(shù)的使用
這篇文章主要介紹了快速解釋如何使用pandas的inplace參數(shù)的使用，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-07-07
這篇文章主要介紹了Python引用模塊和Python查找模塊路徑的相關(guān)資料,需要的朋友可以參考下2016-03-03
這篇文章主要介紹了Python元組超詳細(xì)講解的相關(guān)資料,元組是Python中的一種不可變序列類型,適用于存儲多個有序元素,它支持多種操作,如索引、切片、合并、重復(fù)等,文中通過代碼介紹的非常詳細(xì),需要的朋友可以參考下2024-12-12
布隆過濾器（Bloom Filter）是1970年由布隆提出的。它實際上是一個很長的二進(jìn)制向量和一系列隨機(jī)映射函數(shù)。這篇文章主要介紹了Python+Redis實現(xiàn)布隆過濾器,需要的朋友可以參考下2019-12-12