tensor

tensor 1、torch.（…）和torch.([…])的区别 前者参数是tensor的维度，后者参数是tensor中的数据 2、 size和shape的区别 shape is an attribute,while size is a function. 输出都是同一个tensor 3、 在函数后加_后缀表示对tensor进行就地操作（ex:X.t_()表示对X转置） 4、torch的tensor类 torch.tensor（data,dtype=None,device=None,requires_grad=None） data - 可以是list, tuple, numpy array, scalar或其他类型，如下图分别是错误和正确的data dtype - 可以返回想要的tensor类型 device - 可以指定返回的设备，“cuda"或"cpu” requires_grad -可以指定是否进行记录图的操作，默认为False 5、rand()和randn()区别 rand（）生成tensor内的数据是符合[0,1）范围内的均匀分布的； randn（）生成tensor内的数据是符合标准正态分布（standard normal distribution）的。 来源： CSDN 作者： 二八 链接： https://blog.csdn.net/qq_34977841

[转载]pytorch cuda上tensor的定义 以及 减少cpu操作的方法 来源： https://blog.csdn.net/u013548568/article/details/84350638 cuda上tensor的定义 a = torch.ones(1000,1000,3).cuda() 某一gpu上定义 cuda1 = torch.device('cuda:1')#使用该语句可以选择要使用的gpu b = torch.randn((1000,1000,1000),device=cuda1) 删除某一变量 del a 在cpu定义tensor然后转到gpu torch.zeros().cuda() 直接在gpu上定义，这样就减少了cpu的损耗 torch.cuda.FloatTensor(batch_size, self.hidden_dim, self.height, self.width).fill_(0) 来源： https://www.cnblogs.com/jiading/p/12191353.html

Tensor创建：直接创建 2.Tensor:直接创建 (1)torch,tensor() import torch import numpy as np torch.manual_seed ( 1 ) #通过创建torch.tensor创建张量 arr = np.ones (( 3 , 3 )) print ( "ndarray的数据类型：" ,arr.dtype ) t = torch.tensor ( arr ) print ( t ) 输出结果： 如果想对张量加速 需要将tensor的device改为cuda t = torch.tensor ( arr,device = 'cuda' ) (2)torch.from_numpy(ndarray) //从numpy创建tensor 注意：从torch.from_numpy创建的tensor与原ndarray共享内存,当修改其中一个数据时，另一个也会变动 arr = np.array ( [ [ 1,2,3 ] , [ 4,5,6 ] ] ) t = torch.from_numpy ( arr ) 修改arr的数据 arr [ 0,0 ] = 0 改变tensor t [ 0,0 ] = 100 来源： CSDN 作者： Major_s 链接： https://blog.csdn.net/qq_41375318

Tensor_flow The Second Lesson 2-1 创建图、启动图 包括对图（Graphs），会话（Session），张量（Tensor），变量（Variable）的一些解释和操作 使用图来表示计算任务 在被称之为会话的上下文中执行图 使用tensor表示数据 通过变量维护状态 使用feed和fetch可以为任意的操作赋值或者从其中获取数据 Tensorflow是一个编程系统，使用图来表示计算任务，图中的节点称之为op（operation），一个op获得0个或多个Tensor， 执行计算，产生0个或多个Tensor。Tensor看作是一个n维数组或列表。图必须在会话里面被启动。 import tensorflow as tf m1 = tf . constant ( [ [ 3 , 3 ] ] ) # 定义两个常量op m2 = tf . constant ( [ [ 2 ] , [ 3 ] ] ) # 创建一个矩阵乘法op，把m1和m2传入 product = tf . matmul ( m1 , m2 ) print ( product ) # 未启动会话窗，输出一个Tensor sess = tf . Session ( ) # 定义一个会话窗，启动默认图 result = sess . run ( product ) #

Tensor创建：依据数值创建 3.Tensor:依据数值创建 (1)创建全0张量 torch.zeros ( ) 有五个属性 size:张量的形状 如（3，224，224） out:输出张量 layout:内存中的布局形式，默认stride,但当存储矩阵为稀疏矩阵时可设为 sparse_coo，提高查询效率等 device:所在设备 requirs_grad:是否需要梯度 zeros = torch.zeros (( 3,3 ) ,out = out_t ) zeros与out_t也是共享同一内存空间的 （2）torch.zeros_like() 依据input形状创建全0张量 （3）全1张量 torch.ones() （4）torch.ones_like() (5)自定义数值的张量 torch.full(size,fill_value) torch.full (( 6,6 ) ,666 ) (6)torch.full_like() (7)等差张量 torch.arange() 功能：创建等差一维张量 数值区间为{start,end) end取不到 step 为公差，默认1 t = torch.arange ( 2,10,2 ) t （8）均分数列 torch.linspace() 创建一维均分数列张量 区间为闭合的区间 [start,end] t = torch

参考文章：https://blog.csdn.net/xiaosongshine/article/details/84955891 问题一：tensor与numpy数据转换 在用tensorflow过程中，经常会接触到numpy，在编写过程不会感觉到太大差别，但在输出网络中，输出的结果仍然是tensor，用这些结果去执行numpy数据来执行的操作比如matplotlib时就会出现一些奇奇怪怪的错误，比如： import os import matplotlib . pyplot as plt import matplotlib #matplotlib.use("Qt5Agg") import tensorflow as tf import cv2 file_name = 'F:\\gaohu.bmp' image_raw = tf . gfile . FastGFile ( file_name , 'rb' ) . read ( ) image_data = tf . image . decode_bmp ( image_raw ) ##压缩维度，变二维 image_data = tf . squeeze ( image_data ) image_data = tf . image . convert_image_dtype ( image_data , dtype = tf .