深度学习 -- Tensor属性及torch梯度计算

深度学习 – Tensor属性及torch梯度计算

---

---

前言

一、Tensor数据转换

1.1 张量转Numpy

import torch
import numpy as npdef test01():t1=torch.tensor([[1,2,3],[4,5,6]])print(t1)#浅拷贝,共享内存#调用numpy()方法可以把Tensor转换为Numpy，此时内存是共享的。n1=t1.numpy()print(n1)#深拷贝，重新创造副本存储#使用copy()方法可以避免内存共享n2=t1.numpy().copy()print(n2)

tensor([[1, 2, 3],[4, 5, 6]])
[[1 2 3][4 5 6]]
[[1 2 3][4 5 6]]

1.2 Numpy转张量

def test02():n1=np.array([1,2,3,4,5,6])#from_numpy方法转Tensor默认是内存共享的t1=torch.from_numpy(n1)print(t1)#使用传统的torch.tensor()则内存是不共享的~t2=torch.tensor(n1)print(t2)if __name__ == '__main__':# test01()test02()

tensor([1, 2, 3, 4, 5, 6], dtype=torch.int32)
tensor([1, 2, 3, 4, 5, 6], dtype=torch.int32)

二，Tensor常见操作

2.1获取元素值

我们可以把单个元素tensor转换为Python数值，这是非常常用的操作

import torch
#获取元素值
def test01():t1=torch.tensor(18)print(t1.item())t2=torch.tensor([[18]])print(t2.item())

18
18

2.2 元素值运算

常见的加减乘除次方取反开方等各种操作，带有_的方法则会替换原始值。