Pytorch 中的一维张量

在本文中，我们将讨论Python的一维张量。我们将研究以下概念：

1. 创建一维张量
2. 访问张量的元素
3. 张量的大小
4. 张量元素的数据类型
5. 张量视图
6. 浮点张量

介绍

Pytorch 用于处理张量。张量是多维数组。 PyTorch 加速了张量的科学计算，因为它具有各种内置功能。

向量：

向量是一个一维张量，它包含多种数据类型的元素。我们可以使用 PyTorch 创建向量。 Pytorch 在Python torch 模块中可用。所以我们需要导入它。

语法：

import pytorch

一维张量的创建：

使用torch.tensor() 方法创建一维向量。

句法：

torch.tensor([element1,element2,.,element n])

其中元素是张量的输入元素

示例：创建张量元素的Python程序

Python3

# importing torch module
import torch
  
# create one dimensional tensor with integer type elements
a = torch.tensor([10, 20, 30, 40, 50])
print(a)
  
# create one dimensional tensor with float type elements
b = torch.tensor([10.12, 20.56, 30.00, 40.3, 50.4])
print(b)

输出：

tensor([10, 20, 30, 40, 50])
tensor([10.1200, 20.5600, 30.0000, 40.3000, 50.4000])

访问张量元素：

我们可以使用元素的索引访问张量向量中的元素。

句法：

tensor_name([index])

其中索引是元素在张量中的位置：

• 索引从 0 开始
• 索引从最后一个 -1 开始

示例：使用索引访问元素的Python程序。

蟒蛇3

# importing torch module
import torch
  
# create one dimensional tensor with integer type elements
a = torch.tensor([10, 20, 30, 40, 50])
  
# get 0 and 1 index elements
print(a[0], a[1])
  
# get 4 th index  element
print(a[4])
  
# get 4 index element from last
print(a[-4])
  
# get 2 index element from last
print(a[-2])

输出：

tensor(10) tensor(20)
tensor(50)
tensor(20)
tensor(40)

我们可以使用“:”运算符一次访问 n 个元素，这称为切片。

句法：

tensor([start_index:end_index])

其中start_index是起始索引， end_index是结束索引。

示例：访问多个元素的Python程序。

蟒蛇3

# importing torch module
import torch
  
# create one dimensional tensor with integer type elements
a = torch.tensor([10, 20, 30, 40, 50])
  
# access elements from 1 to 4
print(a[1:4])
  
# access from 4
print(a[4:])
  
# access from last
print(a[-1:])

输出：

tensor([20, 30, 40])
tensor([50])
tensor([50])

张量大小：

这用于使用size() 方法获取张量中的长度（元素数）。

句法：

tensor.size()

示例：获取张量大小的Python程序。

蟒蛇3

# importing torch module
import torch
  
# create one dimensional tensor integer type elements
a = torch.FloatTensor([10, 20, 30, 40, 50])
  
# size of tensor
print(a.size())
  
# create one dimensional tensor integer type elements
b = torch.FloatTensor([10, 20, 30, 40, 50, 45, 67, 43])
  
# size of tensor
print(b.size())

输出：

torch.Size([5])
torch.Size([8])

张量元素的数据类型：

我们可以得到张量数据元素的数据类型。然后使用dtype()获取张量的数据类型

句法：

tensor_vector.dtype

其中tensor_vector是一维张量向量。

例子：

蟒蛇3

# importing torch module
import torch
  
# create one dimensional tensor with integer type elements
a = torch.tensor([10, 20, 30, 40, 50])
  
# get data type of vector a
print(a.dtype)
  
# create one dimensional tensor with float type elements
b = torch.tensor([10.12, 20.56, 30.00, 40.3, 50.4])
  
# get data type of vector b
print(b.dtype)

输出：

torch.int64
torch.float32

张量视图：

view()用于以二维格式（即行和列）查看张量。我们必须指定要查看的行数和列数。

句法：

tensor.view(no_of_rows,no_of_columns)

在哪里，

• 张量是输入的一维张量
• no_of_rows是张量被查看的总行数
• no_of_columns是张量被查看的总列数

示例： Python程序，用于创建具有 10 个元素的张量并使用 5 行和 2 列查看，反之亦然。

蟒蛇3

# importing torch module
import torch
  
# create one dimensional tensor 10 elements
a = torch.FloatTensor([10, 20, 30, 40, 50, 1, 2, 3, 4, 5])
  
# view tensor in 5 rows and 2 columns
print(a.view(5, 2))
  
# view tensor in 2 rows and 5 columns
print(a.view(2, 5))

输出：

tensor([[10., 20.],
       [30., 40.],
       [50.,  1.],
       [ 2.,  3.],
       [ 4.,  5.]])
tensor([[10., 20., 30., 40., 50.],
       [ 1.,  2.,  3.,  4.,  5.]])

浮点张量：

该张量用于定义浮点类型的元素。我们可以通过FloatTensor属性使用整数元素创建一个浮点张量。

语法：

torch.FloatTensor([element1,element 2,.,element n])

示例：用于创建浮点张量和获取元素的Python程序。

蟒蛇3

# importing torch module
import torch
  
# create one dimensional Float Tensor  with 
# integer type elements
a = torch.FloatTensor([10, 20, 30, 40, 50])
  
# display data type
print(a.dtype)
  
# access elements from 0 to 3
print(a[0:3])
  
# access from 4
print(a[4:])

输出：

torch.float32
tensor([10., 20., 30.])
tensor([50.])