rch数据结构-Tensor

PyTorch可以说是三大主流框架中最适合初学者学习的了相较于其他主流框架PyTorch的简单易用性使其成为初学者们的首选。

这样我想要强调的一点是框架可以类比为编程语言仅为我们实现项目效果的工具也就是我们造车使用的轮子我们重点需要的是理解如何使用Torch去实现功能而不要过度在意轮子是要怎么做出来的那样会牵扯我们太多学习时间。

以后就出一系列专门细解深度学习框架的文章但是那是较后期我们对深度学习的理论知识和实践操作都比较熟悉才好开始学习现阶段我们最需要的是学会如何使用这些工具。

深度学习的内容不是那么好掌握的包含大量的数学理论知识以及大量的计算公式原理需要推理。

且如果不进行实际操作很难够理解我们写的代码究极在神经网络计算框架中代表什么作用。

不过我会尽可能将知识简化转换为我们比较熟悉的内容我将尽力让大家了解并熟悉神经网络框架保证能够理解通畅以及推演顺利的条件之下尽量不使用过多的数学公式和专业理论知识。

以一篇文章快速了解并实现该算法以效率最高的方式熟练这些知识。

博主专注数据建模四年参与过大大小小数十来次数学建模理解各类模型原理以及每种模型的建模流程和各类题目分析方法。

此专栏的目的就是为了让零基础快速使用各类数学模型、机器学习和深度学习以及代码每一篇文章都包含实战项目以及可运行代码。

博主紧跟各类数模比赛每场数模竞赛博主都会将最新的思路和代码写进此专栏以及详细思路和完全代码。

希望有需求的小伙伴不要错过笔者精心打造的专栏。

一文速学-数学建模常用模型

Tensor是PyTorch中最基本的数据结构可以看作是一个多维数组矩阵的扩展。

与NumPy中的数组类似与其不同的是ndarrays不能使用GPU加速计算但Tensor可以在GPU上运行这使得它在深度学习领域特别强大归根结底还是得依赖庞大的算力支持我们才能尽可能得到更加精准的数据通常我们叫它张量。

2.数据Tensor使用场景

没有引入张量这个概念之前大家其实就在很多场景接触到了这些数据。

了解到张量以后大家自然而然的就会明白了。

张量这一概念的核心在于它是一个数据容器。

它包含的数据几乎总是数值数据因此它是数字的容器。

你可能对矩阵很熟悉它是二维张量。

张量是矩阵向任意维度的推广注意张量的维度dimension通常叫作轴axis。

神经网络的构建和训练神经网络的输入、权重、输出、梯度等都是以Tensor的形式表示。

PyTorch、TensorFlow等深度学习框架都是基于Tensor进行运算的。

图像处理图像通常以多维数组的形式表示例如RGB图像可以表示为高度、宽度和3个颜色通道的Tensor。

自然语言处理在处理文本数据时可以将文本编码成Tensor每个单词可以映射为一个数字或一个词向量。

时间序列分析例如股票价格、天气数据等可以表示成时间、特征维度的Tensor。

推荐系统用户-物品交互矩阵可以表示为一个二维的Tensor。

强化学习在Q-learning等算法中状态、动作、奖励等信息都可以用Tensor表示。

计算机视觉任务如目标检测、分割、人脸识别等任务输入图像、特征图、目标框坐标等都可以用Tensor表示。

视频为5D张量形状为

(samples,

。

自动驾驶和机器人控制传感器数据如摄像头、激光雷达等可以表示成Tensor用于训练和实时控制。

生成对抗网络GANGAN中的生成器和判别器都是基于神经网络和Tensor进行训练和推断的。

聚类和降维在数据挖掘和特征工程中Tensor可以用于聚类、主成分分析PCA等算法。

总的来说Tensor作为多维数组适用于几乎所有涉及到大规模数值计算和深度学习的领域。

3.张量形态

一个只包含单个数字的张量被称为标量scalar也叫做标量张量、零维张量或0D张量。

在NumPy中一个float32或float64类型的数字就是一个标量张量或标量数组。

你可以通过查看一个NumPy张量的ndim属性来了解它的轴数。

标量张量具有0个轴ndim

0。

轴的数量也被称为阶数rank。

以下是一个NumPy标量的例子。

import

print(数组中轴的个数:{}.format(x.ndim))

print(x)

print(数组中轴的个数:{}.format(x.ndim))

print(x)

这里需要注意一下这个数组成为5D向量但不是5D张量前者是数量上的数量后者是轴的数量大家不要搞混。

矩阵(2D张量)

个轴通常叫作行和列。

你可以将矩阵直观地理解为数字组成的矩形网格。

下面是一个

Numpy

print(数组中轴的个数:{}.format(x.ndim))

print(x)

以后我们接触到相应的数据进行张量转换的时候大家会了解的更为清晰那么我们现在知道张量的基础概念和形式了可以尝试着用Torch进行创建。

从列表或NumPy数组创建

torch.Tensor(random_tensor.size())

print(new_tensor)

print(unsqueeze_tensor)tensor([[0,

2],[3,

print(transposed_tensor)tensor([[0,

3],[1,

print(chunked_tensors)(tensor([[0,

1],[5,

print(torch.index_select(tensor,

idx))