首页 > 编程语言 >算法金 | 这次终于能把张量(Tensor)搞清楚了!

算法金 | 这次终于能把张量(Tensor)搞清楚了!

时间:2024-06-08 22:28:43浏览次数:23  
标签:搞清楚 tensor torch 张量 PyTorch 操作 grad Tensor


大侠幸会,在下全网同名[算法金] 0 基础转 AI 上岸,多个算法赛 Top [日更万日,让更多人享受智能乐趣]

1. 张量(Tensor)基础概念

1.1 张量的定义与重要性

张量是深度学习中用于表示数据的核心结构,它可以视为多维数组的泛化形式。在机器学习模型中,张量用于存储和变换数据,是实现复杂算法的基石。本文基于 Pytorch

1.2 张量与向量、矩阵的关系

张量是向量和矩阵的扩展,它能够表示更高维度的数据。这种多维表示能力使得张量在处理图像、视频等复杂数据时更加得心应手。

2. PyTorch 张量的操作与应用

2.1 创建 PyTorch 张量

PyTorch 提供了多种创建张量的方法,最基础的是使用 torch.tensor() 函数,它可以将 Python 列表或 NumPy 数组转换为 PyTorch 张量。

import torch
import numpy as np

# 从 Python 列表创建
data_list = [1, 2, 3]
tensor_from_list = torch.tensor(data_list)

# 从 NumPy 数组创建
np_array = np.array([[1, 2], [3, 4]])
tensor_from_numpy = torch.tensor(np_array)

2.2 张量的基本属性

每个 PyTorch 张量都有其数据类型(dtype)、形状(shape)和存储设备(device),这些属性定义了张量如何存储和操作数据。

# 查看张量的数据类型
print(tensor_from_list.dtype)

# 查看张量的形状
print(tensor_from_list.shape)

# 查看张量所在的设备
print(tensor_from_list.device)

2.3 张量的数学运算

PyTorch 张量支持丰富的数学运算,包括逐元素运算和矩阵乘法等。

# 逐元素加法
x = torch.tensor([1, 2, 3])
y = torch.tensor([4, 5, 6])
elementwise_sum = x + y

# 矩阵乘法
X = torch.tensor([[1, 2], [3, 4]])
Y = torch.tensor([[5, 6], [7, 8]])
matrix_product = torch.mm(X, Y)

2.4 张量的广播机制

广播机制允许在不同形状的张量之间进行算术运算,通过自动扩展较小的张量来匹配较大张量的形状。

# 创建两个形状不同的张量
a = torch.ones((3, 1))
b = torch.ones((1, 5))

# 使用广播机制进行加法


2.5 张量的索引与切片

索引和切片是访问和修改张量特定元素的基本操作。

# 创建一个 2D 张量
tensor_2d = torch.tensor([[1, 2, 3], [4, 5, 6]])

# 索引访问第二行第二列的元素
print(tensor_2d[1, 1])

# 切片访问第一行的所有元素
print(tensor_2d[0, :])

# 修改第二列的所有元素为 10
tensor_2d[:, 1] = 10

3. 高级张量操作

3.1 张量的变形与重塑

张量的变形和重塑是改变张量形状的操作,这在准备数据和模型推理中非常常见。

# 创建一个 1D 张量
tensor_1d = torch.arange(0, 6)

# 重塑为 2x3 的 2D 张量
reshaped_tensor = tensor_1d.view(2, 3)

# 使用 squeeze 移除尺寸为 1 的维度
squeezed_tensor = reshaped_tensor.squeeze()

# 使用 unsqueeze 增加一个维度
unsqueezed_tensor = tensor_1d.unsqueeze(0)

3.2 张量的高级数学函数

PyTorch 提供了多种高级数学函数,用于执行复杂的数学运算。

# 计算张量的范数
norm_of_tensor = torch.norm(tensor_1d)

# 计算张量的均值和方差
mean_of_tensor = tensor_1d.mean()
variance_of_tensor = tensor_1d.var()

3.3 张量的自动求导系统

自动求导是深度学习中用于优化模型的关键特性。

# 创建一个需要梯度的张量
x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)

# 进行一些操作
y = x ** 2

# 计算梯度
grad = y.backward()

4. 实战演练与技巧

4.1 张量在深度学习中的应用

在深度学习中,张量用于构建模型的参数,并在训练过程中不断更新。在深度学习模型中,张量的运算不仅限于基础数学运算,还包括如卷积、池化、归一化等高级操作,这些都是构建深度学习模型的关键部分。

# 假设我们有一个卷积层的权重张量
weights = torch.randn(3, 3, requires_grad=True)

# 一个输入特征图张量
input_tensor = torch.randn(1, 3, 28, 28)

# 模拟一个卷积操作
output_tensor = torch.nn.functional.conv2d(input_tensor, weights)

4.2 性能优化技巧

使用 GPU 可以显著加速张量计算,同时,合理管理内存可以提升程序的运行效率。当处理大规模数据时,合理利用 PyTorch 的特性可以显著提升性能。

# 使用 in-place 操作减少内存使用
x = torch.tensor([1.0, 2.0, 3.0], requires_grad=True)
y = x ** 2
y.add_(1)  # in-place 操作,等同于 y = y + 1

# 使用 torch.no_grad() 禁用不需要的梯度计算
with torch.no_grad():
    # 执行一些不需要梯度的大规模操作
    large_tensor_operation()

4.3 调试与错误处理

调试张量操作中的错误是深度学习开发中的一项重要技能。调试是开发过程中不可或缺的一部分,特别是当自动求导系统涉及到复杂的张量操作时。

# 假设我们有一个复杂的操作链
z = some_complex_operation(x)

# 如果我们需要检查梯度
print(z.grad_fn)  # 查看生成 z 的操作

# 如果我们需要调试,可以使用 .grad 属性
x.backward()  # 计算梯度
print(x.grad)  # 查看 x 的梯度

[ 抱个拳,总个结 ]

在本文中,我们深入探讨了 PyTorch 中张量(Tensor)的各个方面,从基础概念到高级操作,再到实际应用和性能优化技巧。以下是对全文内容的简短总结:

张量(Tensor)基础概念

  • 定义与重要性:张量是多维数据数组的泛化形式,是机器学习和深度学习中的核心数据结构。
  • 与向量、矩阵的关系:张量是向量和矩阵的高维推广,能够表示更复杂的数据结构。

PyTorch 张量的操作与应用

  • 创建张量:介绍了使用 torch.tensor() 和从 NumPy 数组创建张量的方法。
  • 基本属性:了解了张量的 dtype、shape 和 device 等基本属性。
  • 数学运算:探讨了张量的逐元素运算、矩阵乘法、广播机制以及索引与切片。
  • 变形与重塑:学习了使用 .view()、.squeeze() 和 .unsqueeze() 等方法改变张量形状。
  • 高级数学函数:讨论了张量的统计函数和线性代数函数。
  • 自动求导系统:解释了 .requires_grad 属性和 .backward() 方法在自动求导中的作用。

实战演练与技巧

  • 深度学习中的应用:张量在构建和训练深度学习模型中的实际应用,如卷积神经网络。
  • 性能优化:分享了利用 GPU 加速和内存管理的技巧。
  • 调试与错误处理:介绍了调试张量操作中错误的策略和使用 .grad 进行调试的技巧。

通过这些知识点的学习和实践,你将能够更加自如地在 PyTorch 框架中进行深度学习模型的开发和研究。记住,不断实践和探索是提高技术能力的不二法门。

标签:搞清楚,tensor,torch,张量,PyTorch,操作,grad,Tensor
From: https://blog.csdn.net/weixin_43038668/article/details/139536368

相关文章

  • TensorFlow2.x基础与mnist手写数字识别示例
    文章目录Github官网文档安装声明张量常量变量张量计算张量数据类型转换张量数据维度转换ReLU函数Softmax函数卷积神经网络训练模型测试模型数据集保存目录显示每层网络的结果TensorFlow是一个开源的深度学习框架,由GoogleBrain团队开发和维护。它被广泛应用......
  • 【机器学习】TensorFlow 202107090086
    【源代码】importtensorflowastfl2_reg=tf.keras.regularizers.l2(0.1)#设置模型model=tf.keras.models.Sequential([tf.keras.layers.Dense(30,activation='relu',kernel_initializer='he_normal',kernel_regula......
  • 厂区车间佩戴安全帽检测系统 TensorFlow
    厂区车间佩戴安全帽检测系统提升了工作人员安全帽佩戴和面部实名认证管理效率和监管水平。厂区车间佩戴安全帽检测系统根据搜集现场施工作业人员的脸部信息内容和监控画面视频图像检测优化算法,可以设置访问限制。假如作业人员不戴头盔,作业人员将被禁止进入施工区域,并会语音播报......
  • 实验18-使用TensorFlow完成视频物体检测
    image_object_detection.pyimportnumpyasnpimporttensorflowastfimportmatplotlib.pyplotaspltfromPILimportImageimportlabel_map_utilimportvisualization_utilsasvis_utilPATH_TO_CKPT='ssd_mobilenet_v1_coco_2018_01_28/frozen_inferen......
  • 如何将onnx稳定的转换为tensorflow, 甚至转换为tflite(float32/int8)
    做模型部署边缘设备的时候,我们经常会遇到特定格式的要求。但常见的onnx2tf很多时候都不能满足我们的要求。因此,记录一下我的操作过程。1.环境:(linux18.04)#NameVersionBuildChannel_libgcc_mutex0.1......
  • 配置Tensorflow使用GPU加速(Tensorflow2.6.0,Python3.6-3.9,CUDA11.2,cuDNN8.1)
    目录前言一、安装Anaconda1.1从Anaconda官网下载Anaconda(默认安装最新版本)1.2安装Anaconda并配置环境变量二、安装CUDA和cuDNN2.1下载CUDAToolkit2.2安装CUDAToolkit2.3下载安装cuDNN2.4配置CUDA环境变量三、创建Anaconda虚拟环境并安装Tensorflow3.1创建......
  • 笔记2:张量简介
    张量生成方法转自:https://www.cnblogs.com/miraclepbc/p/14329476.html张量的形状及类型张量的计算张量的梯度手写线性回归张量生成方法张量的形状及类型张量的计算张量的梯度手写线性回归......
  • 笔记5:TensorDataset、DataLoader及数据集划分
    TensorDataset转自:https://www.cnblogs.com/miraclepbc/p/14333299.html导入相关包fromtorch.utils.dataimportTensorDataset特征与标签合并HRdataset=TensorDataset(X,Y)模型训练forepochinrange(epochs):foriinrange(num_batch):x,y=HRda......
  • TensorRT c++部署onnx模型
    在了解一些概念之前一直看不懂上交22年开源的TRTModule.cpp和.hpp,好在交爷写的足够模块化,可以配好环境开箱即用,移植很简单。最近稍微了解了神经网络的一些概念,又看了TensorRT的一些api,遂试着部署一下自己在MNIST手写数字数据集上训练的一个LeNet模型,识别率大概有98.9%,实现用pytor......
  • FB企业户开户,要搞清楚的四点
    Facebook作为全球知名的社交媒体平台,对于企业来说是一个极具价值的营销工具。若要开设Facebook企业账户,以下四个细节是您必须了解的:......