本文主要是介绍Tensors张量操作,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
定义Tensor
下面是一个常见的tensor
,包含了里面的数值,属性,以及存储位置
tensor([[0.3565,0.1826,0.6719],[0.6695,0.5364,0.7057]],dtype=torch.float32,device='cuda:0')
Tensor的属性
Tensor
属性描述了它们的形状、数据类型和存储它们的设备(CPU 或 GPU)
import torch
tensor = torch.rand( 3,4)
print(f"shape of tensor: {tensor. shape}")
print(f"Datatype of tensor: {tensor.dtype}")
print(f"Device tensor is stored on: {tensor. device}")
Shape of tensor: torch.size([3,4])
Datatype of tensor: torch.float32
Device tensor is stored on: cpu
Tensor存储的数值
Tensor 可以用多种方法进行初始化。
直接传数据
Tensor可以直接从数据进行创建,数据类型会自动适应。
import torch
data =[[1,2],[3,4]]
x_data = torch.tensor(data)
print(x_data)
tensor([[1,2],
[3,4]])
使用Numpy数据
可以通过Numpy矩阵中进行创建
import torch
import numpy as np
np_array = np. array ([[1,2],[3,4]])
x_np = torch.from_numpy ( np_array)
print(x_np)
利用已有tensor
根据已有的数据形式(形状,数据类型),创建出新的tensor
data = [[1,2],[3,4]]
x_data = torch.tensor(data)
# 保持了x_data的数据属性与形状
x_ones = torch.ones_like(x_data)
print(f"ones Tensor: \n {x_ones} \n")
# 保持形状不变但改变数据属性的新张量
x_rand = torch.rand_like(x_data,dtype=torch.float)
print(f"Random Tensor: \n {x_rand} \n")
Tensor存储的位置
Tensor可以保存在GPU
中,或者保存在CPU
中,在二者中可以进行切换
- 在
GPU
中进行运算(前向传播、反向传播) - 在
CPU
中进行数据读取(从内存读取数据)与写入(保存到硬盘中)
CPU
->GPU
import torch
shape = (2, 3, )
rand_tensor = torch.rand( shape)
print(rand_tensor)
if torch.cuda.is_available( ) :rand_tensor = rand_tensor.cuda()
print(rand_tensor)
输出:
tensor([[e.3565,0.1826,0.6719],[e.6695,0.5364,0.7057]])
tensor([[e.3565,0.1826,0.6719],[e.6695,0.5364,0.7057]],device= 'cuda:e ')
GPU
->CPU
shape = (2, 3,)
rand_tensor = torch.rand( shape)
print(rand_tensor)
if torch.cuda.is_available( ):rand_tensor = rand_tensor.cuda()
print( rand_tensor)
cpu_tensor = rand _tensor.cpu()
print(cpu_tensor)
使用to()自动进行切换张量存储位置:
这个方法非常灵活,可以自动处理类型转换和设备迁移。
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
# 检查并设置设备
x_cpu = torch.tensor([[1., 2.], [3., 4.]])
# 在CPU上的张量
x_gpu = x_cpu.to(device)
# 移动到GPU
数据的运算
这些操作中的每一个都可以在GPU
上运行(通常比在CPU
上运行的速度更快)。
tensor = torch.tensor([[1,2],[ 3,4]])
#矩阵乘法
result_1 = tensor @ tensor
print( result_1)
print("矩阵乘法,result_1 = \n", result_1)
#矩阵对应位置的元素相乘
result_2 = tensor *tensor
print("元素乘法,result_2 = \n", result_2)
result_3 = tensor + tensor
print("元素加法,result_3 = \n" , result_3)
agg = tensor.sum( )
agg_item = agg.item()#使用item()获取里面的值
print("求和,agg_item = " , agg_item,type( agg_item) )
在PyTorch中,当你想要从一个标量张量(即形状为
(1,)
或者空的张量)中提取出Python的原生数值(例如整数、浮点数)时,可以使用.item()
方法。这个方法会返回张量中的数据,将其转换为Python的基本数据类型。
import torch# 一个包含单个浮点数的张量
tensor_with_one_value = torch.tensor([3.5])# 使用.item()方法提取该值
value = tensor_with_one_value.item()print(value) # 输出: 3.5
Tensor的拼接
将两个或者多个tensor进行拼接(concat
),使用 torch.cat
对tensor沿着一个特定的维度进行拼接。
tensor_1 = torch.tensor([[1,2,3,4]])
tensor_2 = torch.tensor([[5,6,7,8]])
print(torch.cat([tensor_1,tensor_2],dim=0))
print(torch.cat([tensor_1,tensor_2],dim=1))
我们平时的张量有两个维度↓和→:
↓就是0维度,→就是1维度。
tensor([[1,2,3,4],[5,6,7,8]])
tensor([[1,2,3,4,5, 6,7,8]])
数据的转换
Numpy
转Tensor
import torch
import numpy as np
n=np.ones ( 5)
t = torch.from_numpy(n)#
[1. 1.1.1. 1.]
tensor([1., 1., 1., 1., 1.],dtype=torch.float64)
Tensor
转Numpy
t = torch. ones ( 5)
n= t.numpy ()
图片转Tensor
from PIL import Image
from torchvision import transforms
image_path = r'image.png'
image = Image.open(image_path)
transform = transforms.ToTensor()
tensor_image = transform( image)
print(type(tensor_image) )# <class 'torch . Tensor' >
Tensor
转图片
import torch
from torchvision import transforms
tensor_image = torch.randn( ( 3,224,224))
transformed_image = transforms.ToPILImage( )(tensor_image)
save_path = r "form_tensor .jpg'
#保存图像
transformed_image.save( save_path)
transforms
模块是torchvision
库中的一个重要组成部分,它提供了一系列预定义的图像转换方法,用于对图像数据进行各种预处理,如裁剪、缩放、旋转、归一化等,以便于输入深度学习模型进行训练或测试。比如ToTensor:将PIL Image或numpy.ndarray转换为
torch.FloatTensor
,范围从[0, 255]变为[0.0, 1.0]。比如Normalize:对图像像素值进行归一化处理,常用于使数据分布更加一致,加速模型收敛。
transform = transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
PyTorch处理图片案例
模拟从硬盘读取一张图片,使用pytorch在显卡上进行运算,随后把运算结果保存到硬盘
import torch
from torchvision import transforms
from PIL import Image
image_path = r"image.png"
save_path = r"result.png"
#加载图片
image = Image.open( image_path)transform = transforms. ToTensor()
#应用转换
tensor_image = transform( image)
print(tensor_image)
#检查CuDA是否可用并将tensor移至CUDA
if torch.cuda.is_available( ) :tensor_image = tensor_image.to( ' cuda ')
# 对每个元素加一
tensor_image += 0.1
# 将tensor移回CPU并转换回PIL图像
tensor_image = tensor_image.to( ' cpu ')
transformed_image = transforms.ToPILImage()(tensor_image)
#保存图像
transformed_image.save( save_path)
这篇关于Tensors张量操作的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!