Pytorch中高维度张量理解

2024-08-28 14:12

本文主要是介绍Pytorch中高维度张量理解,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!

Pytorch中高维度张量理解

  • 创建一个tensor
    • 获取第一个维度的第0个元素:
    • 获取第二个维度的第0个元素:
    • 获取第三个维度的第0个元素:
    • 获取第四个维度的第0个元素:
    • 其他情况

创建一个tensor

tensor = torch.rand(3,5,3,2)

结果如下:


```python
tensor([[[[0.3844, 0.9532],[0.0787, 0.4187],[0.4144, 0.9552]],[[0.0713, 0.5281],[0.0230, 0.8433],[0.1113, 0.5927]],[[0.0040, 0.1001],[0.3837, 0.6088],[0.1752, 0.3184]],[[0.2762, 0.8417],[0.5438, 0.4406],[0.0529, 0.5175]],[[0.1038, 0.7948],[0.4991, 0.5155],[0.4651, 0.8095]]],[[[0.0377, 0.0249],[0.2440, 0.8501],[0.1176, 0.7303]],[[0.9979, 0.6738],[0.2486, 0.4152],[0.5896, 0.8879]],[[0.3499, 0.6918],[0.4399, 0.5192],[0.1783, 0.5962]],[[0.3021, 0.4297],[0.9558, 0.0046],[0.9994, 0.1249]],[[0.8348, 0.7249],[0.1525, 0.3867],[0.8992, 0.6996]]],[[[0.5918, 0.9135],[0.8205, 0.5719],[0.8127, 0.3856]],[[0.1870, 0.6190],[0.2991, 0.9424],[0.5405, 0.4200]],[[0.9396, 0.8072],[0.0319, 0.6586],[0.4849, 0.6193]],[[0.5268, 0.2794],[0.7877, 0.9502],[0.6553, 0.9574]],[[0.4079, 0.4648],[0.6375, 0.8829],[0.6280, 0.1463]]]])

现在我想获取

tensor[0,0,0,0]

获取第一个维度的第0个元素:

		[[[0.3844, 0.9532],[0.0787, 0.4187],[0.4144, 0.9552]],[[0.0713, 0.5281],[0.0230, 0.8433],[0.1113, 0.5927]],[[0.0040, 0.1001],[0.3837, 0.6088],[0.1752, 0.3184]],[[0.2762, 0.8417],[0.5438, 0.4406],[0.0529, 0.5175]],[[0.1038, 0.7948],[0.4991, 0.5155],[0.4651, 0.8095]]]

获取第二个维度的第0个元素:

		[[0.3844, 0.9532],[0.0787, 0.4187],[0.4144, 0.9552]]

获取第三个维度的第0个元素:

		[0.3844, 0.9532]

获取第四个维度的第0个元素:

		0.3844

其他情况

tensor[-1]
获取第1个维度的最后一个元素:

		[[[0.5918, 0.9135],[0.8205, 0.5719],[0.8127, 0.3856]],[[0.1870, 0.6190],[0.2991, 0.9424],[0.5405, 0.4200]],[[0.9396, 0.8072],[0.0319, 0.6586],[0.4849, 0.6193]],[[0.5268, 0.2794],[0.7877, 0.9502],[0.6553, 0.9574]],[[0.4079, 0.4648],[0.6375, 0.8829],[0.6280, 0.1463]]]

tensor[0,1]
获取第1个维度的第0个元素 :

		[[[0.3844, 0.9532],[0.0787, 0.4187],[0.4144, 0.9552]],[[0.0713, 0.5281],[0.0230, 0.8433],[0.1113, 0.5927]],[[0.0040, 0.1001],[0.3837, 0.6088],[0.1752, 0.3184]],[[0.2762, 0.8417],[0.5438, 0.4406],[0.0529, 0.5175]],[[0.1038, 0.7948],[0.4991, 0.5155],[0.4651, 0.8095]]]

第2个维度的第1个元素:

 		[[0.0713, 0.5281],[0.0230, 0.8433],[0.1113, 0.5927]]

tensor[:,1,0,1]
获取第1个维度的所有元素:

		[[[0.3844, 0.9532],[0.0787, 0.4187],[0.4144, 0.9552]],[[0.0713, 0.5281],[0.0230, 0.8433],[0.1113, 0.5927]],[[0.0040, 0.1001],[0.3837, 0.6088],[0.1752, 0.3184]],[[0.2762, 0.8417],[0.5438, 0.4406],[0.0529, 0.5175]],[[0.1038, 0.7948],[0.4991, 0.5155],[0.4651, 0.8095]]],[[[0.0377, 0.0249],[0.2440, 0.8501],[0.1176, 0.7303]],[[0.9979, 0.6738],[0.2486, 0.4152],[0.5896, 0.8879]],[[0.3499, 0.6918],[0.4399, 0.5192],[0.1783, 0.5962]],[[0.3021, 0.4297],[0.9558, 0.0046],[0.9994, 0.1249]],[[0.8348, 0.7249],[0.1525, 0.3867],[0.8992, 0.6996]]],[[[0.5918, 0.9135],[0.8205, 0.5719],[0.8127, 0.3856]],[[0.1870, 0.6190],[0.2991, 0.9424],[0.5405, 0.4200]],[[0.9396, 0.8072],[0.0319, 0.6586],[0.4849, 0.6193]],[[0.5268, 0.2794],[0.7877, 0.9502],[0.6553, 0.9574]],[[0.4079, 0.4648],[0.6375, 0.8829],[0.6280, 0.1463]]]

第2个维度的第1个元素:

 		[[0.0713, 0.5281],[0.0230, 0.8433],[0.1113, 0.5927]][[0.9979, 0.6738],[0.2486, 0.4152],[0.5896, 0.8879]][[0.1870, 0.6190],[0.2991, 0.9424],[0.5405, 0.4200]]

第3个维度的第0个元素:

		[0.0713, 0.5281][0.9979, 0.6738][0.1870, 0.6190]

第4个维度的第1个元素:

		 0.52810.67380.6190

最终结果:

tensor([0.5281, 0.6738, 0.6190])

这篇关于Pytorch中高维度张量理解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!



http://www.chinasem.cn/article/1114992

相关文章

使用PyTorch实现手写数字识别功能

《使用PyTorch实现手写数字识别功能》在人工智能的世界里,计算机视觉是最具魅力的领域之一,通过PyTorch这一强大的深度学习框架,我们将在经典的MNIST数据集上,见证一个神经网络从零开始学会识... 目录当计算机学会“看”数字搭建开发环境MNIST数据集解析1. 认识手写数字数据库2. 数据预处理的

Redis中高并发读写性能的深度解析与优化

《Redis中高并发读写性能的深度解析与优化》Redis作为一款高性能的内存数据库,广泛应用于缓存、消息队列、实时统计等场景,本文将深入探讨Redis的读写并发能力,感兴趣的小伙伴可以了解下... 目录引言一、Redis 并发能力概述1.1 Redis 的读写性能1.2 影响 Redis 并发能力的因素二、

Pytorch微调BERT实现命名实体识别

《Pytorch微调BERT实现命名实体识别》命名实体识别(NER)是自然语言处理(NLP)中的一项关键任务,它涉及识别和分类文本中的关键实体,BERT是一种强大的语言表示模型,在各种NLP任务中显著... 目录环境准备加载预训练BERT模型准备数据集标记与对齐微调 BERT最后总结环境准备在继续之前,确

pytorch+torchvision+python版本对应及环境安装

《pytorch+torchvision+python版本对应及环境安装》本文主要介绍了pytorch+torchvision+python版本对应及环境安装,安装过程中需要注意Numpy版本的降级,... 目录一、版本对应二、安装命令(pip)1. 版本2. 安装全过程3. 命令相关解释参考文章一、版本对

从零教你安装pytorch并在pycharm中使用

《从零教你安装pytorch并在pycharm中使用》本文详细介绍了如何使用Anaconda包管理工具创建虚拟环境,并安装CUDA加速平台和PyTorch库,同时在PyCharm中配置和使用PyTor... 目录背景介绍安装Anaconda安装CUDA安装pytorch报错解决——fbgemm.dll连接p

pycharm远程连接服务器运行pytorch的过程详解

《pycharm远程连接服务器运行pytorch的过程详解》:本文主要介绍在Linux环境下使用Anaconda管理不同版本的Python环境,并通过PyCharm远程连接服务器来运行PyTorc... 目录linux部署pytorch背景介绍Anaconda安装Linux安装pytorch虚拟环境安装cu

深入理解Apache Airflow 调度器(最新推荐)

《深入理解ApacheAirflow调度器(最新推荐)》ApacheAirflow调度器是数据管道管理系统的关键组件,负责编排dag中任务的执行,通过理解调度器的角色和工作方式,正确配置调度器,并... 目录什么是Airflow 调度器?Airflow 调度器工作机制配置Airflow调度器调优及优化建议最

一文带你理解Python中import机制与importlib的妙用

《一文带你理解Python中import机制与importlib的妙用》在Python编程的世界里,import语句是开发者最常用的工具之一,它就像一把钥匙,打开了通往各种功能和库的大门,下面就跟随小... 目录一、python import机制概述1.1 import语句的基本用法1.2 模块缓存机制1.

深入理解C语言的void*

《深入理解C语言的void*》本文主要介绍了C语言的void*,包括它的任意性、编译器对void*的类型检查以及需要显式类型转换的规则,具有一定的参考价值,感兴趣的可以了解一下... 目录一、void* 的类型任意性二、编译器对 void* 的类型检查三、需要显式类型转换占用的字节四、总结一、void* 的

PyTorch使用教程之Tensor包详解

《PyTorch使用教程之Tensor包详解》这篇文章介绍了PyTorch中的张量(Tensor)数据结构,包括张量的数据类型、初始化、常用操作、属性等,张量是PyTorch框架中的核心数据结构,支持... 目录1、张量Tensor2、数据类型3、初始化(构造张量)4、常用操作5、常用属性5.1 存储(st