11.20 深度学习-pytorch包和属性的基础语法
import torch
import numpy as np
def sci_close():
# 关闭pytorch 数据打印出来时科学计数法
torch.set_printoptions(sci_mode=False)
pass
return 0
def create_tensor():
# 创建张量
t1=torch.tensor(5) # 一阶张量 阶数看你传入的矩阵是多少阶的 这个是标量 不是一阶 一阶要加[] 加了[]才是多少阶
t1.dtype # tensor张量里面的数据类型 只能是int float bool
t1.shape # tensor张量的形状 标量的shape啥都没有
t1.device # 数据运行的设备
# 创建的时候也可以传入np数组 list
# 创建的时候也可以传入参数 dtype 如果数据超出范围会自动变为最大范围的余数 设置tensor数据类型 tensor数据类型有..... 都是torch里面的数据类型int8.....跟numpy类似
# 创建的时候可以指定数据运行的设备 传入参数device "cpu" 或者 "cuda" 不同设备上的数据无法运算
t2=torch.tensor([[1,2,3],[300,22,11]],dtype=torch.int8,device="cpu")
# print(t2.device)
# 也可以使用 tensor.to("cpu") tensor.to("cuda") 返回一个新的运行在新设备上的tensor
t3=t2.to("cpu")
print(t3.device)
# 查看cuda是否可用 返回布尔值
bool1=torch.cuda.is_available()
# 可以根据这个布尔值 设计一个 有显卡先用显卡 没显卡用CPU的程序
# 也可以使用tensor.cuda() 直接返回一个在显卡上运行的新tensor
def choose_device():
t1=torch.Tensor(3,2,device="cpu")
if torch.cuda.is_available():
t2=t1.cuda()
else:
t2=t1
t2=t1
torch.cuda.is_available() and t2=t1.cuda()
def create_Tensor():
# 利用Tensor()直接创建特定形状的张量
# 这个是大写的Tensor
t1=torch.Tensor(5,4) # 创建 一个5行4列的二维tensor
a=t1.dtype #
b=t1.shape #
# print(b)
# 也可以在Tensor前面加数据类型 创建出来的tensor里面的数据就是对应的类型 位数不同
tt2 = torch.FloatTensor(3, 3)
tt3 = torch.DoubleTensor(3, 3)
tt4 = torch.LongTensor(3, 3)
tt5 = torch.ShortTensor(3, 3)
print(t1)
# 创建线性和随机张量
def create_line_random_tensor():
# 跟numpy的差不多 不过np变为了torch star stop step 不包括stop
# 感觉torch就是集成了一个numpy在里面
t1=torch.arange(1,10,step=2) # 知道等差公差
# print(t1)
# 包含了stop
t2=torch.linspace(1,10,4,dtype=torch.int8) # 知道等差的 个数
# print(t2)
# 等比数列 logspace base 基数 这个是2的1次方开始 到2的10次方 step为元素个数n
t3=torch.logspace(1,10,3,base=2)
# 随机
# 可以设置随机数种子 设置玩后可以获取一下一般记在心里
torch.manual_seed(666)
# 获取 返回了随机数种子
r=torch.initial_seed()
# 生成随机张量 rand真随机 randn随机出来来的符合标准正态分布 靠近中心的要大点
t4=torch.rand(10,5)
# print(t4)
# 自己设置一个正太分布 来随机生成 传入均值和方差 和形状
t5=torch.normal(2,1,(3,3))
print(t5)
# 创建0-1张量 创建指定值张量 创建单位矩阵张量
def zero_one():
# 创建全0 张量
t1=torch.zeros(5,5)
# print(t1)
# 根据其他的tensor的形状来创建全0张量 zeros_like
t2=torch.rand(2,3)
# print(t2)
t3=torch.zeros_like(t2)
# print(t3)
# 全1张量 函数名变为ones 也可以like
t4=torch.ones(5,5)
t6=torch.ones_like(t2)
# print(t6,t4)
# 创建指定值张量传入形状和 填充值
t7=torch.full((3,3),666)
# like
t8=torch.full_like(t2,666)
# print(t7,t8)
# 创建单位矩阵张量 因为是方阵传入一个行就行
t9=torch.eye(4)
print(t9)
# dtype 转换
def change_dtype():
t1=torch.rand(2,3)
# tensor.type(torch数据类型) 返回一个新的
t2=t1.type(torch.int8)
# 也可以用对应类型的api tensor.对应的api 直接变 跟cuda（）方法一样 返回一个新的
t3=t1.float()
# 。。。。。。。。
if __name__=="__main__":
# create_tensor()
# create_Tensor()
# create_line_random_tensor()
# zero_one()
pass
原文地址：https://blog.csdn.net/2401_86807530/article/details/143924099
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！