深度学习基础与实践 课件 单元四 Pytorch编程基础.pptx

张量的概念及使用（上）

张量的概念及使用01张量的概念tensor即“张量”，是一种数据结构，实际上跟numpy数组、向量、矩阵的格式基本一样。但是是专门针对GPU来设计的，可以运行在GPU上来加快计算效率。可以简单理解为：一个可以运行在gpu上的多维数据。

Tensor的使用01Torch.device()设备类型我们学习到了张量的基本使用，那么在神经网络中，张量有哪些常见的使用呢？Torch.device()表现了torch.Tensor被分配的设备类型的类，其中分为‘cpu’和‘cuda’两种类型。可以通过torch.cuda.current_device()返回当前设备标号，也可以通过tensor.device()来获取其属性。具体操作如下所示：importtorch#导包torch.device(cuda)#使用当前的cuda设备device(type=cuda)torch.device(cpu)#设置当前设备为CPUdevice(type=cpu)

Tensor的使用01可以利用字符或字符+序号的方式来分配设备，如果设备序号没有显示则表示此tensor被分配到当前设备。#通过字符串和设备号设置torch.device(cuda,0)#设置当前设备为0号cudadevice(type=cuda,index=0)torch.device(cpu,0)#设置当前设备为0号cpudevice(type=cpu,index=0)

Tensor的使用01通过代码自动分配device=torch.device(“cuda”iftorch.cuda.is_available()else“cpu”)#通用张量的设备分配data=torch.Tensor([1])#声明一个Tensordata.to(device)tensor([1.])#Tensor置于cpu设备上data.to(device)tensor([1.],device=cuda:0)#Tensor置于cuda设备上

Tensor的使用01创建一维、二维、三维张量a=torch.Tensor([1,2,3])b=torch.Tensor([[1,2,3],[4,5,6]])c=torch.Tensor([[[1,2,3],[4,5,6],[7,8,9]]])print(一维张量:,a)print(二维张量:,b)print(三维张量:,c)代码：结果：torch.Tensor(list)：根据列表创建多维张量，维度一致

Tensor的使用01创建全零/全1张量input=torch.zeros(2)#一维全0张量print(input)print(torch.zeros(2,3))#2行3列的全0张量print(torch.ones(2,3))#2行3列的全1张量print(torch.zeros_like(input))#打印与input相同大小的全0张量print(torch.ones_like(input))#打印与input相同大小的全1张量代码：结果：torch.zeros(*sizes,out=None,..)/torch.ones(*sizes,out=None,..)：返回大小为sizes的对应全零/全1张量torch.zeros_like(input,..)/torch.ones_like(input,..)：返回与input相同尺寸的对应全零/全1张量

Tensor的使用01创建全x张量print(torch.full((3,4),3.14))#3行4列全3.14张量print(torch.full_like(input,2.3))#打印与input相同大小的全2.3矩阵量代码：结果：torch.full(size,fill_value,…)返回大小为size，各元素值都为fill_value的张量

Tensor的使用01等差数列张量print(torch.arange(2,8))#默认单位步长是1的等差数列张量print(torch.linspace(2,10,steps=5))#步长为2的等差数列代码：结果：torch.arange(start=0,end,step=1,…)函数，返回结果为[start,end)，步长为step的张量等比数列张量torch.linspace(start,end,steps=100)返