tensor

我们很容易用 numpy() 和 from_numpy() 将 Tensor 和NumPy中的数组相互转换。但是需要注意的⼀一 点是： 这两个函数所产⽣生的的 Tensor 和NumPy中的数组共享相同的内存（所以他们之间的转换很 快），改变其中一个时另⼀个也会改变！！！ 还有一个常用的将NumPy中的array转换成 Tensor 的方法就是 torch.tensor() , 需要注意的 是，此方法总是会进行行数据拷贝（就会消耗更多的时间和空间），所以返回的 Tensor 和原来的数 据不再共享内存。 Tensor 转NumPy a = torch.ones(5) b = a.numpy() print(a, b) NumPy数组转 Tensor import numpy as np a = np.ones(5) b = torch.from_numpy(a) print(a, b) 所有在CPU上的 Tensor （除了 CharTensor ）都⽀持与NumPy数组相互转换。 此外上面提到还有一个常⽤的方法就是直接用 torch.tensor() 将NumPy数组转换成 Tensor ，需要 注意的是该方法总是会进行行数据拷贝，返回的 Tensor 和原来的数据不再共享内存。 来源： CSDN 作者： TJMtaotao 链接： https://blog.csdn.net

torch.nn.functional.binary_cross_entropy_with_logits(input, target, weight=None, size_average=None, reduce=None, reduction=‘mean’, pos_weight=None) 参数说明 input 神经网络预测结果（未经过sigmoid）,任意形状的tensor target 标签值，与input形状相同 weight 权重值，可用于mask的作用， 具体作用下面讲解，形状同input size_average 弃用，见reduction参数 reduce 弃用，见reduction参数 reduction 指定对输出结果的操作，可以设定为 none mean sum ; none将不对结果进行任何处理，mean对结果求均值， sum对结果求和， 默认是mean 函数功能 对神经网络的输出结果进行sigmoid操作，然后求交叉熵，当参数reduction=mean时其实际效果和下面的程序相同; weight参数实际是对交叉熵结果的权重 x = torch . sigmoid ( pred ) # pred是神经网络的输出 result = - torch . mean ( ( label * torch . log ( x ) + ( 1 - label ) *

本篇记录一下TensorFlow中张量的排序方法 tf.sort和tf.argsort # 声明tensor a是由1到5打乱顺序组成的 a = tf.random.shuffle(tf.range(5)) # 打印排序后的tensor print(tf.sort(a,direction='DESCENDING').numpy()) # 打印从大到小排序后，数字对应原来的索引 print(tf.argsort(a,direction='DESCENDING').numpy()) index = tf.argsort(a,direction='DESCENDING') # 按照索引序列取值 print(tf.gather(a,index)) # 返回最大的两个值信息 res = tf.math.top_k(a,2) # indices返回索引 print(res.indices) # values返回值 print(res.values) 计算准确率实例： # 定义模型输出预测概率 prob = tf.constant([[0.1,0.2,0.7],[0.2,0.7,0.1]]) # 定义y标签 target = tf.constant([2,0]) # 求top3的索引 k_b = tf.math.top_k(prob,3).indices # 将矩阵进行转置，即把top-1

autograd与逻辑回归 文章目录 autograd与逻辑回归 1. torch.autograd自动求导系统 2. 逻辑回归 1. torch.autograd自动求导系统 torch.autograd.backward 功能：自动求取梯度 tensors：用于求导的张量，如loss retain_graph：保存计算图 create_graph：创建导数计算图，用于高阶求导 grad_tensors：多梯度权重（当有多个loss需要计算梯度时，需要设置各个loss之间的权重比例） w = torch . tensor ( [ 1 . ] , requires_grad = True ) x = torch . tensor ( [ 2 . ] , requires_grad = True ) a = torch . add ( w , x ) b = torch . add ( w , 1 ) y0 = torch . mul ( a , b ) y1 = torch . add ( a , b ) loss = torch . cat ( [ y0 , y1 ] , dim = 0 ) grad_tensors = torch . tensor ( [ 1 . , 2 . ] ) loss . backward ( gradient = grad_tensors ) #

TensorFlow for Java WARNING : The TensorFlow Java API is not currently covered by the TensorFlow API stability guarantees . 目前，TensorFlow Java API 不在 TensorFlow API 稳定性保证的范围内。 For using TensorFlow on Android refer instead to TensorFlow Lite . 关于在Android上使用TensorFlow，请参考TensorFlow Lite。 使用 Java API 进行预测 private static Session loadSession() { SimpleDateFormat df = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS"); Graph graph = new Graph(); //创建图结构 InputStream is = getStreamFromPb("car_model.pb"); //加载本地 pb 文件到内存 byte[] graphBytes = new byte[0]; try { graphBytes = IOUtils.toByteArray(is); } catch