计算机视觉(CV)——pytorch张量基本使用-EW帮帮网

1. 张量的创建方式

import torch
# 1.通过列表创建张量
t = torch.tensor([1, 2])

# 2.通过元组创建张量
torch.tensor((1, 2))

# 3.通过array创建张量
import numpy as np
x = np.array((1, 2))
torch.tensor(x)

2. 张量的类型

t.dtype 
# 张量默认创建长整形int64
torch.tensor(np.array([1.1, 1.2])).dtype
# 输出为float64
torch.tensor([1.1, 1.2]).dtype
# 输出为float32
## 创建浮点型数组时，张量默认创建32位，而array默认为64位置

在这里插入图片描述

2.1 创建指定类型的张量

torch.tensor([1, 2], dtype=torch.int16)

2.2 创建复数

# 1是实部，2j是虚部
x = torch.tensor(1 + 2j)

3. 张量的维度及形变

3.1 查看张量维度

# 创建1维张量
t = torch.tensor([1, 2])

# 查看张量维度
t.ndim
t.shape
t.size()

3.2 0维张量

# 虽然只包含一个元素，但又不是单独的一个数
# t1是一个0维张量，而t2是一个1维张量
t1 = torch.tensor(1)
t2 = torch.tensor([1])

3.3 张量的解读方法

import numpy as np
a1 = np.array([[1, 2, 2], [1, 3, 3]])
a2 = np.array([[1, 2, 3], [4, 5, 6]])

# 创建一个高维数组
t3 = torch.tensor([a1, a2])
"""
tensor([[[1, 2, 2],
         [1, 3, 3]],

        [[1, 2, 3],
         [4, 5, 6]]])
"""

# 输出其形状
t3.shape
"""
    torch.Size([2, 2, 3])
"""
# 第一个2可以理解为张量t3包含两个子元素，(2， 3)可以理解为这两个子元素是二维的，且形状为2x3

3.4 拉平张量

# 将多维的张量准换为1xn的张量
t4 = t3.flatten()
6. 使用reshape进行任意变化
使用reshape时，若调用为 t.reshape(x, y, z,...)，则 t.shape 得到的值即为(x, y, z,...)

4. 张量的索引、切片

4.1 张量的符号索引

import torch
import numpy as np
# 1.一维张量索引，基本格式遵循[start : end : step]
t1 = torch.arange(1, 11)
# tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
# 这样获取的是一个0维张量，不是单独的数，要转换为数字需使用item()方法
t1[0]
# tensor(1)
t1[1: 8] #左闭右开
# tensor([2, 3, 4, 5, 6, 7, 8])
t1[1: : 2]
# tensor([2, 4, 6, 8, 10])
t1[: 8 : 2]
# tensor([1, 3, 5, 7])

4.2 张量的函数索引

# 使用index_select(),通过指定index来对张量进行索引
indices = torch.tensor([1, 2])
x = torch.index_select(t1, 0, indices)
# 第二个参数代表索引的维度，由于t1只有一个维度，故而取值为0，表示在第一个维度上进行索引