1、构建项目
2、编辑test2.py
1 import torch
2 import numpy as np
3 import tensorflow as tf
4 #1. pytorch张量
5 #pytorch中的张量和tensorflow的tensor是一样的，名字都一样
6 #pytorch中的张量也叫tensor
7 #tensor和numpy中的ndarray也是一个意思。只不过tensor可以在GPU上加速计算
8 #创建tensor
9 x=torch.tensor([6,2],dtype=torch.int32)
10 print("\ntorch.tensor([6,2],dtype=torch.int32)执行结果:\n",x)
11 #输出结果为：tensor([6, 2], dtype=torch.int32)
12
13 x=torch.tensor((6,2))
14 print("\ntorch.tensor((6,2))执行结果:\n",x)
15 #输出结果为：tensor([6, 2])
16
17 x=torch.tensor(np.array([6,2]))
18 print("\ntorch.tensor(np.array([6,2]))执行结果:\n",x)
19 #输出结果为：tensor([6, 2], dtype=torch.int32)
20
21 #快速创建tensor的方法，和numpy中的routines方法一样
22 #ones,zeros,full,eye,random.randn,random.normal...arange...random.rand,random,random
23 #创建一个0到1之间的随机数组成的tensor
24 x=torch.rand(2,3)
25 print("\ntorch.rand(2,3)执行结果:\n",x)
26
27 #标准正态分布
28 x=torch.randn(2,3)
29 print("\ntorch.randn(2,3)执行结果:\n",x)
30
31 x=torch.zeros(2,3)
32 print("\ntorch.zeros(2,3)执行结果:\n",x)
33
34 x=torch.ones(2,3)
35 print("\ntorch.ones(2,3)执行结果:\n",x)
36
37 #tensor的shape
38 x=torch.ones(2,3,4)
39 print("\ntorch.ones(2,3,4).shape执行结果:\n",x.shape)
40
41 #可以通过.size()方法获取形状
42 print("\ntorch.ones(2,3,4).size()执行结果:\n",x.size())
43
44 #size中可以传shape的索引
45 print("\ntorch.ones(2,3,4).size(1)执行结果:\n",x.size(1))
46 # 输出结果为：
47 # 3
48
49 #2.Tensor基本数据类型
50 # pytorch中的tensor有以下基本数据类型
51 # 32位浮点型： torch.float32
52 # 64位浮点型： torch.float64
53 # 32位整型： torch.int32
54 # 16位整型： torch.int16
55 # 64位整型： torch.int64
56 #我们可以在创建tensor的时候指定数据类型
57 x=torch.tensor([6,2],dtype=torch.float32)
58 print("\ntorch.tensor([6,2],dtype=torch.float32)执行结果:\n",x)
59 # 输出结果为：
60 #tensor([6., 2.])
61
62 #tensorflow不能直接用tensor方法来创建tensor
63 #tensorflow提供了constant,Variable,
64 # tensor和ndarray很方便的进行转换
65 n=np.random.randn(2,3)
66 print("\nnp.random.randn(2,3)执行结果:\n",x)
67
68 a=torch.from_numpy(n)
69 a=a.numpy()
70 print("\ntorch.from_numpy(n).numpy()的执行结果:\n",a)
71
72 # numpy和tensor的数值进行转换
73 t=tf.constant(a)
74 print("\ntf.constant(a)的执行结果:\n",t)
75
76 print("\ntf.constant(a).numpy()的执行结果:\n",t.numpy())
77
78 #3.张量的运算
79 #tensor运算规则和numpy的ndarray很像
80 # 和单个数字运算
81 t=torch.ones(2,3)
82 print("\ntorch.ones(2,3)和单个数字运算的执行结果：\n",t)
83
84 t=t+3
85 print("\nt+3执行结果：\n",t)
86
87 t=torch.add(t,3)
88 print("\ntorch.add(t,3)执行结果：\n",t)
89
90 x1=torch.ones(2,3)
91 #对应位置的元素相加，element-wise操作 残差网络的+ 就是element-wise相加
92 print("\ntorch.ones(2,3)+t执行结果：\n",x1+t)
93
94 #有输出不会改变原始值
95 t=t.add(x1)
96 print("\nt.add(x1)执行结果：\n",t)
97
98 #如果想改变原始值，pytorch中带下划线的操作会改变原始值
99 t=t.add_(x1)
100 print("\nt.add_(x1)执行结果：\n",t)
101
102 #改变tensor的形状(建议用这个）
103 t=t.reshape(3,2)
104 print("\nt.reshape(3,2)执行结果：\n",t)
105
106
107 #改变tensor的形状
108 t=t.view(3,2)
109 print("\nt.view(3,2)执行结果：\n",t)
110
111
112
113 #聚合操作
114 t=t.mean()
115 print("\nt.mean()执行结果：\n",t)
116
117 t=t.sum()
118 print("\nt.sum()执行结果：\n",t)
119
120 #一个数字叫做scalars（标量），带中括号的数据叫做向量
121 #item是专门用来取出tensor中的标量的值
122 t=t.item()
123 print("\nt.item()执行结果：\n",t)
View Code
3、运行结果如下：
标签：ntorch,tensor,结果,torch,数据类型,张量,深度,print,执行 From： https://www.cnblogs.com/holly8/p/17608018.html