pytorch张量底子

  

• 弁言  
  
• 张量的底子知识
     
  
  • 张量的概念   
    
  • 张量的属性   
    
  • 张量的创建   
    
    
  
• 张量的操纵
     
  
  • 根本运算   
    
  • 索引和切片   
    
  • 外形变动   
    
    
  
• 主动微分
     
  
  • 根本概念   
    
  • 制止梯度流传   
    
    
  
• 张量的装备管理
     
  
  • 查抄和移动张量   
    
  • CUDA 张量   
    
    
  
• 高级操纵
     
  
  • 张量的视图   
    
  • 广播机制   
    
  • 分块和拼接   
    
  • 张量的复制   
    
    
  
• 内存优化和管理
     
  
  • 希罕张量   
    
  • 内存开释   
    
    
  
• 应用实例
     
  
  • 线性回归   
    
  • 神经网络底子   
    
    
  
• 总结
  

1. 弁言

在呆板学习和深度学习中，张量（Tensor）是核心的数据布局。相识和把握张量的操纵是学习 PyTorch 和构建神经网络模子的须要底子。张量可以表现从标量到高维数组的数据布局，它在 PyTorch 的盘算图中饰演着底子脚色。本指南旨在全面先容 PyTorch 中张量的干系知识，资助读者从底子打好深度学习的底子。
2. 张量的底子知识

1. 张量的概念

张量是一个数组的通用化，可以表现标量（0维）、向量（1维）、矩阵（2维）及更高维的数组。普通来说，张量是一种多维数据布局，其本质上是一个多维数组。
2. 张量的属性

张量有多个告急属性，用来形貌其数据和布局：

  

• 外形（shape）：形貌张量的维度布局，比方 (2, 3) 表现一个包罗 2 行 3 列的矩阵。  
  
• 数据范例（dtype）：指定张量中元素的范例，比方 torch.float32, torch.int64 等。  
  
• 装备（device）：指示张量存储的装备，可以是 CPU 或 GPU。  
  
• 步幅（stride）：步幅表现连续两个元素在各个维度上的步进隔断。
  

1. import torch
3. tensor = torch.tensor([[1., 2., 3.], [4., 5., 6.]])
5. print(tensor.shape)    # torch.Si

复制代码

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！qidao123.com:ToB企服之家，中国第一个企服评测及软件市场,开放入驻,技术点评得现金