- 综合排序
- 最热优先
- 最新优先
- 来自专栏王的机器
张量 101
4] ) # 3维张量 X3 = np.array([[[1, 4, 7], [2, 5, 8], [3, 6, 9]], [[1, 2, 3], [4, 5, 6], [7, 8, 9]], [[9, 8, 7], [6, 5, 4], [3, 2, 1]]]) # 4维张量 X4 = np.ones( (60000, 28, 28 % 0 维数组 X0 = 2; % 1 维数组 X1 = [1 2; 3 4]; % 2 维数组 X2 = [1 2 3; 4 5 6; 7 8 9]; % 3 维数组 X3 = cat( 3, X2, [3 2 1; 0 9 8; 5 3 7] ); % 4 维数组 X4 = repmat( 5,[2 3 1 4] ); 不难看出 X0, X1, X2 都是用方括号 “[]” 直接设定张量里的元素来定义张量 , [ 6, 8, 10, 12], [10, 12, 14, 16]], [[14, 16, 18, 20], [18, 20, 22
3.5K20发布于 2019-07-05 - 来自专栏毛利学Python
tensor张量
张量 在TensorFlow系统中，张量的维数来被描述为阶.但是张量的阶和矩阵的阶并不是同一个概念.张量的阶（有时是关于如顺序或度数或者是n维）是张量维数的一个数量描述.比如，下面的张量（使用Python 中list定义的）就是2阶. t=[[1,2,3],[4,5,6],[7,8,9]] ? 在tensorlflow中，有几类特别的张量 tf.constant //常量 tf.placeholder //占位符 tf.Variable //变量 变量:tf创建了可以修改了 多数用Variable 创建张量 ? 0阶张量 # 0阶张量import tensorflow as tfmammal = tf.Variable("maoli", tf.string)ignition = tf.Variable(20,
1.1K20发布于 2019-11-04 - 来自专栏学弱猹的精品小屋
Leetcode | 第8节：记忆化搜索，树（上）
今天我们来讲一讲记忆化搜索和树这个数据结构。记忆化搜索是对搜索算法的一个优化，涉及到记忆化搜索的题目都或多或少有一点技巧。至于树，它的定义非常简单，也有非常多的应用。 记忆化搜索 记忆化搜索（Memorization）是搜索算法的一个改进。 当然了，这肯定不是记忆化搜索的部分。记忆化搜索顾名思义，是要保存一些状态，避免重复计算。这里可以保存的状态就是从某一个位置出发到之后，可以组成的句子列表。 例如说matrix = [[9,9,4],[6,6,8],[2,1,1]]，那么输出就是4。这对应着下面这一张图 ? 如果输入是stones = [0,1,3,5,6,8,12,17]，那么输出就是true。
53730发布于 2021-08-10 - 来自专栏产品经理的人工智能学习库
张量 – Tensor
文章目录 小白版本 张量是属于线性代数里的知识点，线性代数是用虚拟数字世界表示真实物理世界的工具。 百度百科版本 张量（tensor）理论是数学的一个分支学科，在力学中有重要应用。张量这一术语起源于力学，它最初是用来表示弹性介质中各点应力状态的，后来张量理论发展成为力学和物理学的一个有力的数学工具。 张量之所以重要，在于它可以满足一切物理定律必须与坐标系的选择无关的特性。张量概念是矢量概念的推广，矢量是一阶张量。张量是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数。 查看详情 维基百科版本 在数学中，张量是一种几何对象，它以多线性方式将几何向量，标量和其他张量映射到结果张量。因此，通常在基础物理和工程应用中已经使用的矢量和标量本身被认为是最简单的张量。 另外，来自提供几何矢量的矢量空间的双空间的矢量也被包括作为张量。在这种情况下，几何学主要是为了强调任何坐标系选择的独立性。 查看详情
1.5K20发布于 2019-12-18 - 来自专栏xiaosen
PyTorch张量
PyTorch 中的张量就是元素为同一种数据类型的多维矩阵。在 PyTorch 中，张量以 "类" 的形式封装起来，对张量的一些运算、处理的方法被封装在类中。 torch def test(): data1 = torch.tensor([[1, 2], [3, 4]]) data2 = torch.tensor([[5, 6], [7, 8] PyTorch 计算的数据都是以张量形式存在, 我们需要掌握张量各种运算。 张量的基本运算包括多种操作： 加法和减法：两个同阶张量可以进行元素对元素的加法和减法运算。 标量乘法：一个标量可以与任何阶的张量相乘，结果是将原张量的每个元素乘以该标量。 张量积（Kronecker积）：用于组合两个张量来创建一个新的高阶张量。 特定运算：包括对称张量的运算、反对称张量的运算、迹运算等。
65510编辑于 2024-03-24 - 来自专栏xiaosen
Tensors张量操作
（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。 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
65610编辑于 2024-05-28 - 来自专栏python深度学习
张量与张量网络背景和意义-基础知识
让我们用几个常用的图来看看张量网络大概长什么样子（下图转载自参考链接1）： 上面这个图从左到右分别表示：一阶张量、二阶张量以及三阶张量，我们可以看出，一个张量的阶数在图像化的表示中被抽象称为了张量的腿的数量 ，这里的M表示二阶张量，v,w表示一阶张量。 numpy.dot来处理，因此我们还是适用了专业的张量计算函数numpy.einsum来进行处理，计算结果如下： 1 2 3 4 5 6 7 8 9 10 11 12 A: [[[[0.85939221 ，相当于分别将张量w和张量C表示成了多个张量组合运算的结果。 由多个张量构成的组合运算，我们可以使用张量网络来表示： 上图所示的(a)(a)和(b)(b)就分别表示张量w和张量C的张量网络图。
2.2K10发布于 2021-04-02 - 来自专栏机器学习/数据可视化
TensorFlow张量知识
TensorFlow张量 本文记录的是TensorFlow中的张量基础知识，包含： 张量类型 张量数据类型 张量创建 张量类型 维数 阶 名字 例子 0-D 0 标量scalar s = 1,2,3 1 维度的记忆方式： 一维：直接写个数 二维：用[行, 列]表示 多维：用[n,m,j,k…]表示 全0张量 tf.zeros(3) <tf.Tensor: shape=(3,), dtype=float32 tf.fill([2,3],8) # 指定shape和填充的数值 <tf.Tensor: shape=(2, 3), dtype=int32, numpy= array([[8, 8, 8], [8, 8, 8]], dtype=int32)> tf.fill([2,3],8) # 指定shape和填充的数值 <tf.Tensor: shape=(2, 3), dtype=int32, numpy = array([[8, 8, 8], [8, 8, 8]], dtype=int32)> tf.fill([2,3],5.5) # 填充浮点数 <tf.Tensor: shape=(2
73030编辑于 2023-08-23 - 来自专栏Michael阿明学习之路
Pytorch 张量tensor
文章目录 1. tensor 张量 2. 运算 3. 切片、形状size()、改变形状view() 4. item() 只能读取一个元素 参考 http://pytorch123.com/ 1. tensor 张量 empty 不初始化 import torch.tensor([[5.5, 3], [2,4]]) tensor([[5.5000, 3.0000], [2.0000, 4.0000]]) new_* 方法，继承之前张量的属性 numpy一样 print(x[:,:1].size()) # torch.Size([3, 1]) x = torch.randn(4,4) y = x.view(16) z = x.view(-1,8) # -1 自动推断 print(x.size(), y.size(), z.size()) # torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8]
87510发布于 2021-02-19 - 来自专栏计算机视觉理论及其实现
Pytorch张量（Tensor）复制
tensor复制可以使用clone()函数和detach()函数即可实现各种需求。
4.8K21编辑于 2022-09-02 - 来自专栏xiaosen
张量的基础操作
通过指定起始和终止索引以及步长，可以获取张量中的一部分。例如，t1[2:8] 将会返回从索引2到7的张量元素，形成一个新张量。 如果指定步长为2，如 t1[2:8:2]，则会隔一个元素取一个，返回索引为2、4、6的元素形成的新张量。 高级索引：包括布尔索引和掩码索引等。 torch data = torch.randint(0, 10, [4, 5]) print(data) print('-' * 50) tensor([[0, 7, 6, 5, 9], [6, 8, 3, 1, 0], [6, 3, 8, 7, 3], [4, 9, 5, 3, 1]]) print(data[0]) print(data[:, 0]) # tensor([0, 7, 6 [1]], [1, 2]]) if __name__ == '__main__': test() # tensor([7, 3]) # tensor([[7, 6], [8,
1.6K10编辑于 2024-03-24 - 来自专栏合集
Python|张量创建操作
device：可选参数，返回张量的设备，默认使用当前设备。有cpu张量和cuda张量两种形式。 requires_grad：可选参数，bool。默认False，如果自动梯度会在返回的张量上记录操作。 默认False，只在cpu张量上有效。设置之后返回的张量会被分配到指定的内存。 参数 input（Tensor）：输入张量 size（tuples或ints）：输出张量的形状 stride（tuple或ints）：输出张量的步长 storage_offset（int，可选参数）：输出张量在存储中的偏移 支持的ndarray的类型有numpy.float64，numpy.float32,numpy.float16，numpy.int64，numpy.int32，numpy.int16，nummpy.int8， numpy.uint8，numpy.bool 例子 >>> a = numpy.array([1, 2, 3]) >>> t = torch.from_numpy(a) >>
1.6K10发布于 2020-05-27 - 来自专栏数据分析与挖掘
【colab pytorch】张量操作
1、在pytorch中，有以下9种张量类型 ? ([3, 4, 5]) torch.FloatTensor 3 3、命名张量 张量命名是一个非常有用的方法，这样可以方便地使用维度的名字来做索引或其他操作，大大提高了可读性、易用性，防止出错。 7、np.ndarray和PIL.Image进行转换 np.ndarray转换为PIL.Image image = PIL.Image.fromarray(ndarray.astype(np.uint8) ) PIL.Image转换为np.ndarray ndarray = np.asarray(PIL.Image.open(path)) 8、从只包含一个元素的tensor中取出值 value = torch.rand 例如当参数是3个10x5的张量，torch.cat的结果是30x5的张量， 而torch.stack的结果是3x10x5的张量。
1.8K20发布于 2020-08-26 - 来自专栏数据科学（冷冻工厂）
深度学习：张量 介绍
张量[1]是向量和矩阵到 n 维的推广。了解它们如何相互作用是机器学习的基础。 简介 虽然张量看起来是复杂的对象，但它们可以理解为向量和矩阵的集合。理解向量和矩阵对于理解张量至关重要。 4D 张量可以被认为是 3D 张量的四维列表： 考虑 4D 张量的另一种方式是使用 3D 张量作为其元素的向量。这些可能会变得越来越复杂，但这是继续使用张量进行运算所必需的程度。 张量运算要求两个张量具有相同的大小，除非正在执行点积。 四维张量运算仍然要求两个张量具有相同的大小。 这意味着两个 4D 张量都包含两个 3D 张量，并且每个张量都包含三个 (3,2) 矩阵。
1.4K20编辑于 2023-10-27 - 来自专栏全栈程序员必看
记忆化递归（记忆化搜索）
我看了答案还是有些不能完全理解，于是又去b站翻了翻教程基础DP，其中提到记忆化的递归（也称记忆化搜索），相当于结合了dp和递归的优点（这时我又觉得比DP还厉害），然后就准备写写记忆化递归。 ---- 目录 1.记忆化递归的解释与分析 2.记忆化递归的应用 ---- 一、记忆化递归的解释与分析 前面说道它结合了dp和递归的优点，分别是记忆化和逻辑清晰易懂。 记忆化递归则更加”投机取巧“了，它只计算了需要用的值并储存起来，而其它不会用到的值不去计算，最大化地减少了计算。 打个比方，dp就相当于计算了一个方阵上所有的点（无论有没有利用价值），而记忆化递归相当于计算了方阵上有价值的点，因此记忆化递归的运行时间可能比dp还要短。 （注意只是可能，因为斐波那契数列无论是dp还是记忆化递归，都是要把前面的值全部算出来的） ---- 二、记忆化递归的应用 感觉没啥写的,就拿分配宝藏来写shui一写shui吧。题目在这里。
68460编辑于 2022-09-17 - 来自专栏Python与算法之美
张量的结构操作
前面几章我们对低阶API已经有了一个整体的认识，本章我们将重点详细介绍张量操作和动态计算图。 张量的操作主要包括张量的结构操作和张量的数学运算。 张量结构操作诸如：张量创建，索引切片，维度变换，合并分割。 张量数学运算主要有：标量运算，向量运算，矩阵运算。另外我们会介绍张量运算的广播机制。 本篇我们介绍张量的结构操作。 一，创建张量 张量创建的许多方法和numpy中创建array的方法很像。 4, 6], [3, 4, 0, 1, 2], [5, 6, 8, 1, 2], [6, 9, 3, 8, 4]], dtype=torch.int32 print(t[1:4,:4:2]) tensor([[6, 8], [3, 0], [5, 8]], dtype=torch.int32) #可以使用索引和切片修改部分元素
2.3K20发布于 2020-07-20 - 来自专栏xiaosen
Pytorch - 张量转换拼接
5, 6], [7, 8]]) # 沿着第0维（行）拼接张量 result = torch.cat((tensor1, tensor2), dim=0) print(result) # 输出： # tensor ([[1, 2], # [3, 4], # [5, 6], # [7, 8]]) # 沿着第1维（列）拼接张量 result = torch.cat(( tensor1, tensor2), dim=1) print(result) # 输出： # tensor([[1, 2, 5, 6], # [3, 4, 7, 8]]) 我们可以打印每个张量的 , 6, 5, 9], [6, 8, 3, 1, 0], [6, 3, 8, 7, 3], [4, 9, 5, 3, 1]]) data[0] -- , [7, 1, 1, 9, 9]], [[9, 7, 5, 3, 1], [8, 8, 6, 0, 1], [6, 9, 0,
70910编辑于 2024-04-16 - 来自专栏计算机视觉
PyTorch核心--tensor 张量 ！！
下面从3个方面做一共总结： 张量的概念 张量的原理 张量的操作 张量的概念 1. 张量的定义 张量是一种多维数组，它可以是标量（零维数组）、向量（一维数组）、矩阵（二维数组）或具有更高维度的数组。 张量的形状 张量的形状定义了其维度和每个维度上的大小。例如，形状为（2，3，4）的张量具有2行、3列和4个深度。形状对于理解和操作张量非常重要。 # 获取张量的形状 shape = tensor_3d.shape # 改变张量的形状 reshaped_tensor = tensor_3d.view(3, 8) # 将原始形状(2, 3, 4) 变为(3, 8) 张量的原理 PyTorch中的张量是基于Tensor类实现的，它提供了对底层存储的抽象。 形状操作 # 改变形状 reshaped_tensor = tensor_3d.view(3, 8) # 转置 transposed_tensor = tensor_3d.transpose(0, 2
88500编辑于 2024-03-22 - 来自专栏合集
Python|张量创建操作
参考函数名称后缀带like的使用 torch.quantizepertensor(input, scale, zero_point, dtype) → Tensor 根据给出的scale和零点，把浮点类型的张量量化成的新张量 (torch.tensor([-1.0, 0.0, 1.0, 2.0]), 0.1, 10, torch.quint8) tensor([-1., 0., 1., 2.], size=( 4,), dtype=torch.quint8, quantization_scheme=torch.per_tensor_affine, scale=0.1, zero_point =10) >>> torch.quantize_per_tensor(torch.tensor([-1.0, 0.0, 1.0, 2.0]), 0.1, 10, torch.quint8).int_repr () tensor([ 0, 10, 20, 30], dtype=torch.uint8)
94310发布于 2020-05-27 - 来自专栏xiaosen
pytorch张量的创建
张量的创建 张量（Tensors）类似于NumPy的ndarrays ，但张量可以在GPU上进行计算。从本质上来说，PyTorch是一个处理张量的库。一个张量是一个数字、向量、矩阵或任何n维数组。 size: 张量的形状 out: 输出的张量 layout: 内存中布局形式 device: 所在设备 requires_grad: 是否需要梯度 torch.zeros(2, 3) tensor ) torch.zeros_like(input, dtype=None, layout=None, device=None, requires_grad=False) 功能：依input形状创建全0张量 size: 张量的形状 fill_value: 张量的值 torch.arange(start=0, end. step=1, out=None, dtype=None, layout=torch.strided # mean为张量, std为张量 torch.normal(mean=torch.arange(1., 11.), std=torch.arange(1, 0, -0.1)) tensor([0.8532
65610编辑于 2024-03-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号