《深度学习框架PyTorch入门与实践》——Tensor基本操作(2)

2022-03-18 17:10:28 阅读：196 来源： 互联网

标签：plt Tensor torch storage PyTorch import print 基本操作 numpy

一、Tensor操作

**************************************************************************************************************

（1）归并操作

函数	功能
mean/sum/median/mju	均值/和/中位数/众数
nom/dist	范数/距离
std/var	标准差/方差
cumsum/cumprod	累加/累乘

import torch as t
b=t.ones(2,3)
print(b.sum(dim=0,keepdim=True))
print(b.sum(dim=0,keepdim=False))
print(b.sum(dim=1))
a=t.arange(0,6).view(2,3)
print(a)
a=a.cumsum(dim=1)#沿着行累加
print(a)

----------------------在pycharm中的运行结果-----------------------

**************************************************************************************************************

（2）比较

函数	功能
gt/lt/ge/le/eq/ne	大于/小于/大于等于/小于等于/等于/不等
topk	最大的K的个数
sort	排序
max/min	比较两个tensor的最大最小值

import torch as t
a=t.linspace(0,15,6).view(2,3)
print(a)
b=t.linspace(15,0,6).view(2,3)
print(b)
print(a>b)
print(a[a>b])
print(t.max(a))
print(t.max(b,dim=1))
print(t.max(a,b))
print(t.clamp(a,min=10))

-------------------------------------在pycharm中的运行结果-------------------------------------------

(3)线性代数

函数	功能
trace	对角线元素之和
diag	对角线元素
triu/tril	矩阵上三角/下三角
mm/bmm	矩阵乘法/batch的矩阵乘法
addmm/addbmm/addmv	矩阵运算
t	转置
dot/cross	内积/外积
inverse	求逆矩阵
svd	奇异值分解

import torch as t
a=t.linspace(0,15,6).view(2,3)
b=a.t()
print(b.is_contiguous())
print(b.contiguous())

-------------------------------------在pycharm中的运行结果-------------------------------------------

（4）tensor和numpy

import torch as t
import numpy as np
a=np.ones([2,3],dtype=np.float32)
print(a)
b=t.from_numpy(a)
print(b)
b=t.Tensor(a)
print(b)
a[0,1]=100
print(b)
c=b.numpy
print(c)

-------------------------------------在pycharm中的运行结果-------------------------------------------

(5)

import torch as t
import numpy as np
a=t.ones(3,2)
b=t.zeros(2,3,1)
print(a+b)
print(a.view(1,3,2).expand(2,3,2)+b.expand(2,3,2))
print(a.unsqueeze(0).expand(2,3,2)+b.expand(2,3,2))
e=a.unsqueeze(0).expand(10000000000000,3,2)
print(e)

(6)

a[1]=100
print(b)
c=a[2:]
print(c.storage())
print(c.data_prt())
print(a.data_ptr())
c[0]=-100
print(a)
d=t.Tensor(c.storage())
d[0]=6666
print(b)
print(id(a.storage())==id(b.storage())==id(c.storage())==id(d.storage()))
print(a.storage_offset())
print(c.storage_offset())
print(d.storage_offset())
e=b[::2,::2]
print(id(a.storage())==id(a.storage()))
print(b.stride())
print(e.stride())
print(e.is_contiguous())

(7)

import torch as t
import timeit
a=t.arange(0,6)
print(a.storage())
b=a.view(2,3)
print(b.storage())
print(id(b.storage())==id(a.storage()))
def for_loop_add(x,y):
    result = []
    for i, j in zip(x, y):
        result.append(i + j)
    return t.Tensor(result)

a = t.zeros(100)
b = t.ones(100)
t2 = timeit.Timer('a+b')
print(t2)
t1=timeit.Timer('for_loop_add(a,b)')
print(t1)

(8)

import torch as t
a=t.arange(0,2000000)
print(a[-1],a[-2])
b=t.LongTensor()
t.arange(0,20000000,out=b)
print(b[-1])
print(b[-2])
a=t.randn(2,3)
print(a)
t.set_printoptions(precision=10)
print(a)

二、线性回归项目

import torch as t
from matplotlib import pyplot as plt
from IPython import display
#设置随机数种子，保证在不同计算机上运行时下面的输出一致
import os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"
t.manual_seed(1000)
def get_fake_data(batch_size=8):
    '''产生随机数据：y=x*2+3,加上了一些噪音'''
    x = t.rand(batch_size, 1)*20   #生成size为(batch_size, 1)的二维数组，并元素乘20
    y = x * 2 + (1+t.rand(batch_size, 1))*3   #用于生成噪音
    return x,y
#来看看产生的x-y分布，输出如图所示
x, y = get_fake_data()
plt.scatter(x.squeeze().numpy(), y.squeeze().numpy())
plt.show()

import torch as t
from matplotlib import pyplot as plt
from IPython import display
import os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"


def get_fake_data(batch_size=8):
    x = t.rand(batch_size, 1) * 20  
    y = x * 2 + (1 + t.rand(batch_size, 1)) * 3  
    return x, y
w = t.rand(1, 1)
b = t.zeros(1, 1)
lr = 0.001  
for ii in range(2000):  
    x, y = get_fake_data()  
    y_pred = x.mm(w) + b.expand_as(y)
    loss = 0.5 * (y_pred - y) ** 2  
    loss = loss.sum()
    dloss = 1
    dy_pred = dloss * (y_pred - y)
    dw = x.t().mm(dy_pred)
    db = dy_pred.sum()
    w.sub_(lr * dw)
    b.sub_(lr * db)
    if ii % 1000 == 0: 
        display.clear_output(wait=True)
        x = t.arange(0, 20).view(-1, 1).float()
        y = x.mm(w) + b.expand_as(x)
        plt.plot(x.numpy(), y.numpy())
        x2, y2 = get_fake_data(batch_size=20)
        plt.scatter(x2.numpy(), y2.numpy())  # true data
        plt.xlim(0, 20)
        plt.ylim(0, 41)
        plt.show()
        plt.pause(0.5)
print(w.squeeze()[0], b.squeeze()[0])

标签：plt,Tensor,torch,storage,PyTorch,import,print,基本操作,numpy
来源： https://blog.csdn.net/m0_58197804/article/details/122773525

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

《深度学习框架PyTorch入门与实践》——Tensor基本操作(2)