pytorch关于Tensor的数据类型说明
目录
- 关于Tensor的数据类型说明
- pytorch Tensor变形函数
- Tensor的排序与取极值
- Tensor与NumPy转换
关于Tensor的数据类型说明
1. 32位浮点型：torch.FloatTensor
a=torch.Tensor( [[2,3],[4,8],[7,9]], ) print "a:",a print "a.size():",a.size() print "a.dtype:",a.dtype b=torch.FloatTensor( [[2,3],[4,8],[7,9]] ) print "b:",b print "b.shape:",b.shape print "b.dtype:",b.dtype
可以看出 torch.FloatTensor 是32位float类型，并且torch.Tensor默认的数据类型是32位float类型。
2. 64位浮点型：torch.DoubleTensor
b=torch.DoubleTensor( [[2,3],[4,8],[7,9]] ) print "b:",b print "b.shape:",b.shape print "b.dtype:",b.dtype
3. 16位整型：torch.ShortTensor
b=torch.ShortTensor( [[2,3],[4,8],[7,9]] ) print "b:",b print "b.shape:",b.shape print "b.dtype:",b.dtype
4. 32位整型：torch.IntTensor
b=torch.IntTensor( [[2,3],[4,8],[7,9]] ) print "b:",b print "b.shape:",b.shape print "b.dtype:",b.dtype
5. 64位整型：torch.LongTensor
b=torch.LongTensor( [[2,3],[4,8],[7,9]] ) print "b:",b print "b.shape:",b.shape print "b.dtype:",b.dtype
6. 快速创建Tensor
（1） torch.zeros()
a=torch.zeros( size=(4,5),dtype=torch.float32 ) print a print a.shape print a.dtype
（2） torch.randn()
a=torch.randn( size=(4,5),dtype=torch.float32 ) print a print a.shape print a.dtype
7. Tensor索引方式，参考numpy
8. Tensor和numpy数组转换：
（1） Tensor转numpy，
a=torch.randn( size=(4,5),dtype=torch.float32 ) print a print a.shape print a.dtype b= a.numpy() print b print b.shape print b.dtype
（2） numpy转Tensor，
a=np.random.randn(4,3) print a print a.shape print a.dtype b=torch.from_numpy( a ) print b print b.shape print b.dtype
9.更改Tensor的数据类型，
a=torch.FloatTensor( (3,2) ) print a print a.shape print a.dtype a.int() print a print a.shape print a.dtype
10. GPU加速，如果pytorch支持GPU加速，可以加Tensor放到GPU执行，
if torch.cuda.is_available():
a_cuda = a.cuda()
pytorch Tensor变形函数
view(), resize(), reshape() 在不改变原tensor数据的情况下修改tensor的形状，前后要求元素总数一致，且前后tensor共享内存
如果想要直接改变Tensor的尺寸，可以使用resize_()的原地操作函数。
在resize_()函数中，如果超过了原Tensor的大小则重新分配内存，多出部分置0，如果小于原Tensor大小则剩余的部分仍然会隐藏保留。
transpose()函数可以将指定的两个维度的元素进行转置，而permute()函数则可以按照给定的维度进行维度变换。
在实际的应用中，经常需要增加或减少Tensor的维度，尤其是维度为1的情况，这时候可以使用squeeze()与unsqueeze()函数，前者用于去除size为1的维度，而后者则是将指定的维度的size变为1。
有时需要采用复制元素的形式来扩展Tensor的维度，这时expand就派上用场了。
expand()函数将size为1的维度复制扩展为指定大小，也可以使用expand_as()函数指定为示例Tensor的维度。
注意：在进行Tensor操作时，有些操作如transpose()、permute()等可能会把Tensor在内存中变得不连续，而有些操作如view()等是需要Tensor内存连续的，这种情况下需要使用contiguous()操作先将内存变为连续的。在PyTorch v0.4版本中增加了reshape()操作，可以看做是Tensor.contiguous().view()
Tensor的排序与取极值
排序函数sort()，选择沿着指定维度进行排序，返回排序后的Tensor及对应的索引位置。
max()与min()函数则是沿着指定维度选择最大与最小元素，返回该元素及对应的索引位置。
Tensor与NumPy转换
Tensor与NumPy可以高效地进行转换，并且转换前后的变量共享内存。在进行PyTorch不支持的操作时，甚至可以曲线救国，将Tensor转换为NumPy类型，操作后再转为Tensor。
以上为个人经验，希望能给大家一个参考，也希望大家多多支持我们。
相关推荐
-
pytorch中tensor张量数据类型的转化方式
1.tensor张量与numpy相互转换 tensor ----->numpy import torch a=torch.ones([2,5]) tensor([[1., 1., 1., 1., 1.], [1., 1., 1., 1., 1.]]) # ********************************** b=a.numpy() array([[1., 1., 1., 1., 1.], [1., 1., 1., 1., 1.]], dtype=float32) numpy --
-
pytorch常见的Tensor类型详解
Tensor有不同的数据类型,每种类型分别有对应CPU和GPU版本(HalfTensor除外).默认的Tensor是FloatTensor,可通过torch.set_default_tensor_type修改默认tensor类型(如果默认类型为GPU tensor,则所有操作都将在GPU上进行). Tensor的类型对分析内存占用很有帮助,例如,一个size为(1000,1000,1000)的FloatTensor,它有1000*1000*1000=10^9个元素,每一个元素占用32bit/8=
-
详解pytorch tensor和ndarray转换相关总结
在使用pytorch的时候,经常会涉及到两种数据格式tensor和ndarray之间的转换,这里总结一下两种格式的转换: 1. tensor cpu 和tensor gpu之间的转化: tensor cpu 转为tensor gpu: tensor_gpu = tensor_cpu.cuda() >>> tensor_cpu = torch.ones((2,2)) tensor([[1., 1.], [1., 1.]]) >>> tensor_gpu = tensor_
-
人工智能学习Pytorch张量数据类型示例详解
目录 1.python 和 pytorch的数据类型区别 2.张量 ①一维张量 ②二维张量 ③3维张量 ④4维张量 1.python 和 pytorch的数据类型区别 在PyTorch中无法展示字符串,因此表达字符串,需要将其转换成编码的类型,比如one_hot,word2vec等. 2.张量 在python中,会有标量,向量,矩阵等的区分.但在PyTorch中,这些统称为张量tensor,只是维度不同而已. 标量就是0维张量,只有一个数字,没有维度. 向量就是1维张量,是有顺序的数字,但没有"
-
PyTorch中Tensor的数据类型和运算的使用
在使用Tensor时,我们首先要掌握如何使用Tensor来定义不同数据类型的变量.Tensor时张量的英文,表示多维矩阵,和numpy对应,PyTorch中的Tensor可以和numpy的ndarray相互转换,唯一不同的是PyTorch可以在GPU上运行,而numpy的ndarray只能在cpu上运行. 常用的不同数据类型的Tensor,有32位的浮点型torch.FloatTensor, 64位浮点型 torch.DoubleTensor, 16位整形torch.ShortTenso
-
pytorch关于Tensor的数据类型说明
目录 关于Tensor的数据类型说明 pytorch Tensor变形函数 Tensor的排序与取极值 Tensor与NumPy转换 关于Tensor的数据类型说明 1. 32位浮点型:torch.FloatTensor a=torch.Tensor( [[2,3],[4,8],[7,9]], ) print "a:",a print "a.size():",a.size() print "a.dtype:",a.dtype b=torch.Fl
-
pytorch实现Tensor变量之间的转换
系统默认是torch.FloatTensor类型 data = torch.Tensor(2,3)是一个2*3的张量,类型为FloatTensor data.cuda()就转换为GPU的张量类型,torch.cuda.FloatTensor类型 (1) CPU或GPU之间的张量转换 在Tensor后加long(), int(), double(),float(),byte()等函数就能将Tensor进行类型转换type()函数, data为Tensor数据类型,data.type()为给出dat
-
pytorch创建tensor函数详情
目录 1.通过复制数据构造张量 1.1 torch.tensor() 1.2 将numpy的ndarray转为tensor 2.生成全0或者全1的tensor 3.生成序列 3.1. 生成一个指定步长的等差序列 3.2 生成一个指定步数的等差数列 4.生成指定大小的单位矩阵 5.生成一个指定大小张量 6. 创建一个指定大小的张量.张量的数据是填充的指定值 1.通过复制数据构造张量 1.1 torch.tensor() torch.tensor([[0.1, 1.2], [2.2, 3.1], [
-
Pytorch四维Tensor转图片并保存方式(维度顺序调整)
目录 Pytorch四维Tensor转图片并保存 1.维度顺序转换 2.转为numpy数组 3.根据第一维度batch_size逐个读取中间结果,并存储到磁盘中 Pytorch中Tensor介绍 torch.Tensor或torch.tensor注意事项 创建tensor的四种主要方法 总结 Pytorch四维Tensor转图片并保存 最近在复现一篇论文代码的过程中,想要输出中间图片的结果图,通过debug发现在pytorch网络中是用Tensor存储的四维张量. 1.维度顺序转换 第一维代表的
-
在PyTorch中Tensor的查找和筛选例子
本文源码基于版本1.0,交互界面基于0.4.1 import torch 按照指定轴上的坐标进行过滤 index_select() 沿着某tensor的一个轴dim筛选若干个坐标 >>> x = torch.randn(3, 4) # 目标矩阵 >>> x tensor([[ 0.1427, 0.0231, -0.5414, -1.0009], [-0.4664, 0.2647, -0.1228, -1.1068], [-1.1734, -0.6571, 0.7230,
-
pytorch中tensor的合并与截取方法
合并: torch.cat(inputs=(a, b), dimension=1) e.g. x = torch.cat((x,y), 0) 沿x轴合并 截取: x[:, 2:4] 以上这篇pytorch中tensor的合并与截取方法就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持我们.
-
pytorch中tensor.expand()和tensor.expand_as()函数详解
tensor.expend()函数 >>> import torch >>> a=torch.tensor([[2],[3],[4]]) >>> print(a.size()) torch.Size([3, 1]) >>> a.expand(3,2) tensor([[2, 2], [3, 3], [4, 4]]) >>> a tensor([[2], [3], [4]]) 可以看出expand()函数括号里面为变形
-
pytorch 实现tensor与numpy数组转换
看代码,tensor转numpy: a = torch.ones(2,2) b = a.numpy() c=np.array(a) #也可以转numpy数组 print(type(a)) print(type(b)) print(a) print(b) 输出为: <class 'torch.Tensor'> <class 'numpy.ndarray'> tensor([[1., 1.], [1., 1.]]) [[1. 1.] [1. 1.]] numpy转tensor: imp