Pytorch深度学习实战3-2：什么是张量？Tensor的创建与索引

目录

1 什么是张量？

**张量(Tensor)**是多维数组结构，在人工智能领域应用广泛，例如输入彩色图片即是3维张量——RGB三维且每维都是二维平面像素矩阵。

下面这张表直观地总结了张量的形式，这张表可以解决大部分的张量理解问题
维数图例名称0标量1向量2矩阵3三阶张量

       N
      
     
     
      N
     
    
   N![在这里插入图片描述](https://img-blog.csdnimg.cn/5332662eefdd418abd3ce16141cb4941.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBATXIuV2ludGVyYA==,size_10,color_ffffff,t_70,g_se,x_16#pic_center)
   
    
     
      
       N
      
     
     
      N
     
    
   N阶张量

2 Pytorch数据类型与转化

数据类型CPU TensorGPU Tensor32位浮点

torch.FloatTensor

torch.cuda.FloatTensor

64位浮点

torch.DoubleTensor

torch.cuda.DoubleTensor

16位半精度浮点

N/A

torch.cuda.HalfTensor

8位无符号整型

torch.ByteTensor

torch.cuda.ByteTensor

8位有符号整型

torch.CharTensor

torch.cuda.CharTensor

16位有符号整型

torch.ShortTensor

torch.cuda.ShortTensor

32位有符号整型

torch.IntTensor

torch.cuda.IntTensor

64位有符号整型

torch.LongTensor

torch.cuda.LongTensor

Pytorch中Tensor数据类型的转换可以使用

• 显式的type(new_type)
• 隐式的type_as(var)

举例如下：

a = torch.Tensor(2,2)
b = a.type(torch.DoubleTensor)
c = a.type_as(b)>> a: tensor([[0.0000e+00,0.0000e+00],[8.4078e-45,0.0000e+00]])>> b: tensor([[0.0000e+00,0.0000e+00],[8.4078e-45,0.0000e+00]], dtype=torch.float64)>> c: tensor([[0.0000e+00,0.0000e+00],[8.4078e-45,0.0000e+00]], dtype=torch.float64)

3 张量Tensor的创建

张量Tensor主要的创建方法如下所示。

3.1 类型创建

创建方法

• torch.Tensor()
• torch.DoubleTensor()
• …

实例

b = torch.cuda.DoubleTensor(2,2)>> b: tensor([[0.,0.],[0.,0.]], device='cuda:0', dtype=torch.float64)

3.2 序列转换

创建方法

• torch.Tensor(list)
• torch.Tensor(narray)

实例

a = torch.DoubleTensor([[1,2],[3,4]])>> a: tensor([[1.,2.],[3.,4.]], dtype=torch.float64)

3.3 0/1张量

创建方法

• torch.zeros()
• torch.ones()

实例

a = torch.ones(2,2)>> a: tensor([[1.,1.],[1.,1.]])

3.4 对角张量

创建方法

• torch.eye()

实例

a = torch.eye(2,2)>> a: tensor([[1.,0.],[0.,1.]])

3.5 正态张量

创建方法

• torch.randn()

实例

a = torch.randn(2,2)>> a: tensor([[-0.0451,-0.1602],[-0.1116,0.8266]])

3.6 随机向量

创建方法

• torch.randperm(n)：将0~```n-1```的整数随机排列成向量

实例

a = torch.randperm(3)>> a: tensor([2,0,1])

3.7 线性张量

创建方法

• torch.arrange(s,e,step)：生成从s到e间隔step的向量
• torch.linspace(s,e,num)：生成从s到e共num的均匀向量

实例

a = torch.arange(1,8,3)>> tensor([1,4,7])

b = torch.linspace(1,8,3)>> tensor([1.0000,4.5000,8.0000])

4 张量Tensor的索引

对于一个给定Tensor，可通过Tensor的

shape

属性或

size()

方法查看其维度，通过

numel()

方法查看元素总数

a = torch.eye(3,3)print("shape维度", a.shape)print("size维度", a.size())print("numel元素个数", a.numel())>> shape维度 torch.Size([3,3])>> size维度 torch.Size([3,3])>> numel元素个数 9

Tensor维度按从左到右顺序分配dim索引号如下，新增维度的dim索引号总为0

具体的索引方式如下，设

a=torch.Tensor([[0,1],[2,3]]))

4.1 下标索引

索引方法

• tensor[num]

实例

a[1]>> tensor([2.,3.])

a[0,1]>> tensor(1.)

4.2 条件索引

索引方法

• tensor>0：符合条件为True
• tensor[tensor>0]：取出符合条件的元素
• torch.nonzero(tensor)：取出非零元素坐标

实例

a>0>> tensor([[False,True],[True,True]])

a[a>0]>> tensor([1.,2.,3.])

torch.nonzero(a)>> tensor([[0,1],[1,0],[1,1]])

4.3 附加控制索引

索引方法

• torch.where(condition,x,y)：两个同型张量x、y，符合条件输出x相应位置元素，否则输出y
• tensor.clamp(min,max)：限制元素极值

实例

torch.where(a >1, torch.full_like(a,1), a)>> tensor([[0.,1.],[1.,1.]])

a.clamp(1,2)>> tensor([[1.,1.],[2.,2.]])

🔥 更多精彩专栏：

• 《ROS从入门到精通》
• 《Pytorch深度学习实战》
• 《机器学习强基计划》
• 《运动规划实战精讲》
• …

👇源码获取 · 技术交流 · 抱团学习 · 咨询分享 请联系👇