PyTorch深度学习基础之Tensor对象及其应用的讲解及实战（附源码简单易懂包括分段映射矩阵乘法随机数等等）

梦里梦外; 2023-09-30 17:03 2阅读 0赞

> **觉得有帮助请点赞关注收藏 有问题可评论区留言~~~**

Tensor对象是一个维度任意的矩阵，但是一个Tensor中所有元素的数据类型必须一致。torch包含的数据类型和普遍编程语言的数据类型类似，包含浮点型，有符号整型和无符号整形，这些类型既可以定义在CPU上，也可以定义在GPU上。在使用Tensor数据类型时，可以通过dtype属性指定它的数据类型，device指定它的设备（CPU或者GPU）

## 1：基本定义 ##

代码如下 可查看tensor的基本类型以及运行设备

输出如下

![bd5ae781036b46f785f703e9082543f9.png][]

## 2：矩阵乘法 ##

对Tensor执行算术符的运算时 是两个矩阵对应元素的运算，torch.mm执行矩阵乘法的计算

![86cb5e4c9d0b4d359e808e42c2383e0a.png][]

代码如下

import torch
    import  numpy as np
    
    #矩阵对应元素运算
    a=torch.tensor([[1,2],[3,4]])
    b=torch.tensor([[1,2],[4,6]])
    c=a*b
    print("每个元素相乘",c)
    c=torch.mm(a,b)
    print("矩阵乘法",c)

## 3：分段、化整、映射函数 ##

clamp起的是分段函数的作用，可以用于去除矩阵中过小或者过大的元素，round函数将小数部分化整，tanh计算双曲正切函数，该函数将值映射到0,1

![2f96fd1f328f4760a2b59e002a3b20ff.png][]

代码如下

import torch
    import  numpy as np
    
    #特定功能函数
    #clamp分段
    a=torch.tensor([[1,2],[3,4]])
    print(torch.clamp(a,min=2,max=3))
    #round化整
    a=torch.tensor([[1.1,0.5],[0.6,-1.2]])
    print(torch.round(a))
    #tanh双曲正切 映射到0 1
    print(torch.tanh(a))

## 四、arange等方法创建数据 ##

除了直接从ndarray或list类型的数据中创建Tensor外，PyTorch还提供了一些函数可以直接创建数据，这类函数往往需要提供矩阵的维度，它和python内置的range的使用方法基本想吐，其第三个参数是步长，linsapce函数第三个参数指定返回的个数。ones返回全1，zeors返回全0

![f2d6f49e333f4b92b152e85377774855.png][]

import torch
    import  numpy as np
    
    #直接 创建数据
    print(torch.arange(5))
    print(torch.arange(1,5,2))
    print(torch.linspace(0,5,10))
    #全0 全1
    print(torch.ones(3,3))
    print(torch.zeros(3,3))

## 五、rand返回随机数 ##

rand返回从0 1均匀分布采样的元素所组成的矩阵，randn返回从正态分布采样的元素所组成的矩阵，randint返回指定区间的均匀分布采样的随机整数所组成的矩阵

![f73710b90e934356a7cca07eedc36e83.png][]代码如下

import torch
    import  numpy as np
    print('torch.tensor 默认为：{}'.format(torch.Tensor(1).dtype))
    a=torch.tensor([[1,2],[3,4]],dtype=torch.float64)
    print(a)
    #cpu -gpu之间转换
    
    c=torch.ones((2,2))
    c=c.to('cpu',torch.double)
    print(c.device)
    #矩阵对应元素运算
    a=torch.tensor([[1,2],[3,4]])
    b=torch.tensor([[1,2],[4,6]])
    c=a*b
    print("每个元素相乘",c)
    c=torch.mm(a,b)
    print("矩阵乘法",c)
    #特定功能函数
    #clamp分段
    a=torch.tensor([[1,2],[3,4]])
    print(torch.clamp(a,min=2,max=3))
    #round化整
    a=torch.tensor([[1.1,0.5],[0.6,-1.2]])
    print(torch.round(a))
    #tanh双曲正切 映射到0 1
    print(torch.tanh(a))
    #直接 创建数据
    print(torch.arange(5))
    print(torch.arange(1,5,2))
    print(torch.linspace(0,5,10))
    #全0 全1
    print(torch.ones(3,3))
    print(torch.zeros(3,3))
    #随机
    print(torch.rand(3,3))
    print(torch.randn(3,3))
    print(torch.randint(0,9,(3,3)))

**创作不易 觉得有帮助请点赞关注收藏~~~**

[bd5ae781036b46f785f703e9082543f9.png]: https://img-blog.csdnimg.cn/bd5ae781036b46f785f703e9082543f9.png
[86cb5e4c9d0b4d359e808e42c2383e0a.png]: https://img-blog.csdnimg.cn/86cb5e4c9d0b4d359e808e42c2383e0a.png
[2f96fd1f328f4760a2b59e002a3b20ff.png]: https://img-blog.csdnimg.cn/2f96fd1f328f4760a2b59e002a3b20ff.png
[f2d6f49e333f4b92b152e85377774855.png]: https://img-blog.csdnimg.cn/f2d6f49e333f4b92b152e85377774855.png
[f73710b90e934356a7cca07eedc36e83.png]: https://img-blog.csdnimg.cn/f73710b90e934356a7cca07eedc36e83.png