计算机视觉应用--PyTorch中的 Tensor.pptx

PyTorch中的Tensor4.3

4.3PyTorch中的TensorTensor(张量)是一个多维数组,它是标量、向量、矩阵的高维拓展。标量是一个零维张量,没有方向,是一个数。一维张量只有一个维度,只有一行或一列。二维张量是一个矩阵,有两个维度,灰度图片就是一个二维张量。当图像为彩色图像(RGB)时,就得使用三维张量了。不同维度的Tensor如图4-7所示。

4.3.1Tensor的创建Tensor是PyTorch中基本的数据单元,下面主要介绍3种创建Tensor的方式。可以用代码torch.tensor(data,dtype=None,device=None,requires_grad=False)直接创建Tensor。此代码中各变量解释如下。(1)data:可以是list、tuple、numpyarray、scalar或其他类型。(2)dtype:可以返回想要的Tensor类型。(3)device:可以指定返回的设备。(4)requires_grad:是否进行参数跟踪,默认为False。1.直接创建4.3PyTorch中的Tensor

使用此代码直接创建Tensor的示例如下:4.3PyTorch中的Tensor

可以使用代码torch.from_numpy(ndarry)从NumPy中获得数据,并创建Tensor。需要注意的是,使用此代码生成的Tensor会与ndarry共享数据,任何对Tensor的操作都会影响到ndarry;反之亦然。代码的具体使用如下:2.从NumPy中获得数据4.3PyTorch中的Tensor

4.3PyTorch中的Tensor

1)根据数值要求创建Tensor的代码解释创建特定的Tensor是指直接通过PyTorch代码指定Tensor的格式,因为需求多样化,创建特定Tensor的代码也相对较多,下面将其汇总为三类进行介绍。3.创建特定的Tensor4.3PyTorch中的Tensor

4.3PyTorch中的Tensor

4.3PyTorch中的Tensor

2)根据矩阵要求创建Tensor的代码解释4.3PyTorch中的Tensor

3)随机生成Tensor的代码解释4.3PyTorch中的Tensor

4.3PyTorch中的Tensor

4.3.2Tensor的基本操作Tensor作为PyTorch中基本的数据单元,具有组合、分块、索引、变换等一系列运算操作。下面通过一些基本的函数来对这些操作进行介绍。组合操作是将不同的Tensor叠加起来,主要有torch.cat和torch.stack两个函数。1.组合操作4.3PyTorch中的Tensor

作用:沿着dim连接seq中的Tensor,所有的Tensor必须有相同的维度,其相反的操作为torch.split()和torch.chunk()。作用:与torch.cat()作用类似,但是注意torch.cat和torch.stack的区别在于,torch.cat会增加现有维度的值,可以理解为续接,torch.stack会增加一个维度,可以理解为叠加。4.3PyTorch中的Tensor

组合操作函数的使用示例代码如下:4.3PyTorch中的Tensor

分块操作是与组合操作相反的操作,分块操作将Tensor分割成不同的子Tensor,主要有torch.split()与torch.chunk()两个函数。2.分块操作作用:将输入张量分割成相等形状的子张量。如果沿指定维度的张量不能被split_size整分,则最后一个分块会小于其他分块。4.3PyTorch中的Tensor

作用:将Tensor拆分成相应的分块,torch.split和torch.chunks的区别在于,torch.split的split_size表示每一个分块中数据的大小,torch.chunks的chunks表示分块的数量。分块操作函数的使用示例代码如下:4.3PyTorch中的Tensor

在PyTorch中,通过索引操作可以返回Tensor中的一部分数据,下面主要通过torch.index_select()和torch.masked_select两个函数来对索引操作进行介绍。3.索引操作作用:返回沿着dim的指定Tensor,其中,index须为longTensor类型。作用:返回input中mask为True的元素,组成一个一维的Tensor,其中,mask须为ByteTensor类型。4.3PyTorch中的Tensor

索引操作函数的使用示例代码如下:4.3PyTorch中的Tensor

在使用P