二维张量二维张量类似于二维度规。二维度量有n行数和n列数。类似地,二维张量也有n行n列。 二维张量有如下表示 ![]() 灰度标量图像是像素的二维矩阵。每个像素的强度由一个数值表示,范围从0到255,强度值为0表示没有强度,完全是黑色的,255表示最大强度,完全是白色的。我们可以存储这个二维的值网格。 ![]() 创建二维张量为了创建一个二维张量,你必须首先使用torch的arrange()方法创建一个一维张量。该方法包含两个整数类型的参数。该方法根据给定的参数来排列张量中的元素。一旦你的一维张量被创建,那么我们的下一步是改变它的二维形式的视图,并将这个视图存储在二维类型的变量中。 让我们看一个创建二维张量的例子 输出: 张量([0,1,2,3,4,5,6,7,8])张量([[0 1 2],[3、4、5],[6 7 8]]) ![]() 注意:为了检验张量的维数,我们必须使用暗()方法张量。输出: 张量([0,1,2,3,4,5,6,7,8])张量([[0 1 2],[3、4、5],[6 7 8]])1 2 ![]() 获取二维张量元素让我们看一个二维张量的例子来理解如何使用索引从二维张量中访问特定的元素。 例子输出: 张量([0,1,2,3,4,5,6,7,8])张量([[0 1 2],[3、4、5],[6 7 8]])张量(2) ![]() 张量乘法乘法的实现方式与度量乘法相同。张量乘法是通过将相应的行与相应的列相乘来完成的。张量乘法在深度学习模型中起着至关重要的作用。张量可以是一维的,二维的,三维的等等。张量的乘法只在兼容的大小下进行。 让我们看一个张量乘法的例子 输出: 张量([[1、3、5],[7 9 2]、[4 6 8]])张量([[1、3、5],[7 9 2]、[4 6 8]])张量([[42岁,60岁,51],[78、114、69],[78、114、96]]) ![]() 三维张量三维张量由view()方法生成。三维张量有如下结构 ![]() 从3D-张量中访问元素从3d张量中访问元素非常简单。它将使用索引来完成。 例子输出: 张量([[[0 1 2],[3、4、5]],[[6 7 8],[9 10 11]],[[12、13、14],[15、16、17]]])张量(10) ![]() 三维张量的切片段切片和一维张量的切片非常相似。切片张量意味着将一个张量的元素切片成一个新的张量,或者我们可以说切片是通过分割一个张量来创建一个新的张量的过程。 例子假设我们有一个三维张量,它包含0到17的元素,我们想把这个张量从6到11进行切片。 输出: 张量([[[0 1 2],[3、4、5]],[[6 7 8],[9 10 11]],[[12、13、14],[15、16、17]]])张量([[6 7 8],[9 10 11]]) ![]()
下一个话题
使用PyTorch进行渐变
|