tensor 张量

标签：port   有一个   通过   ted   向量   频率   net   股票   https   

概念

几何代数中定义的张量是基于向量和矩阵的推广，通俗一点理解的话，我们可以将标量视为零阶张量，矢量视为一阶张量，那么矩阵就是二阶张量。

0维张量/标量 标量是一个数字

1维张量/向量 1维张量称为“向量”。

2维张量 2维张量称为矩阵

3维张量 公用数据存储在张量 时间序列数据 股价 文本数据 彩色图片(RGB)

让我们先来看看tensor（张量）是什么？

张量=容器

张量是现代机器学习的基础。它的核心是一个数据容器，多数情况下，它包含数字，有时候它也包含字符串，但这种情况比较少。因此把它想象成一个数字的水桶。

张量有多种形式，首先让我们来看最基本的形式，你会在深度学习中偶然遇到，它们在0维到5维之间。我们可以把张量的各种类型看作这样(对被题目中的猫咪吸引进来小伙伴说一句，不要急！猫咪在后面会出现哦！)：

0维张量/标量 ,装在张量/容器水桶中的每个数字称为“标量”。标量是一个数字。你会问为什么不干脆叫它们一个数字呢？我不知道，也许数学家只是喜欢听起来酷？标量听起来确实比数字酷。

实际上，你可以使用一个数字的张量，我们称为0维张量，也就是一个只有0维的张量。它仅仅只是带有一个数字的水桶。想象水桶里只有一滴水，那就是一个0维张量。

本教程中，我将使用Python，Keras，TensorFlow和Python库Numpy。在Python中，张量通常存储在Nunpy数组，Numpy是在大部分的AI框架中，一个使用频率非常高的用于科学计算的数据包。

你将在Kaggle（数据科学竞赛网站）上经常看到Jupyter Notebooks（安装见文末阅读链接，“数学烂也要学AI：带你造一个经济试用版AI终极必杀器”）关于把数据转变成Numpy数组。Jupyter notebooks本质上是由工作代码标记嵌入。可以认为它把解释和程序融为一体。

我们为什么想把数据转换为Numpy数组？

很简单。因为我们需要把所有的输入数据，如字符串文本，图像，股票价格，或者视频，转变为一个统一得标准，以便能够容易的处理。

这样我们把数据转变成数字的水桶，我们就能用TensorFlow处理。

它仅仅是组织数据成为可用的格式。在网页程序中，你也许通过XML表示，所以你可以定义它们的特征并快速操作。同样，在深度学习中，我们使用张量水桶作为基本的乐高积木。

1维张量/向量 如果你是名程序员，那么你已经了解，类似于1维张量：数组。

每个编程语言都有数组，它只是单列或者单行的一组数据块。在深度学习中称为1维张量。张量是根据一共具有多少坐标轴来定义。1维张量只有一个坐标轴。 1维张量称为“向量”。我们可以把向量视为一个单列或者单行的数字。

如果想在Numpy得出此结果，按照如下方法：我们可以通过NumPy’s ndim函数，查看张量具有多个坐标轴。我们可以尝试1维张量。

2维张量 你可能已经知道了另一种形式的张量，矩阵——2维张量称为矩阵,这不是基努·里维斯(Keanu Reeves)的电影《黑客帝国》，想象一个excel表格。我们可以把它看作为一个带有行和列的数字网格。这个行和列表示两个坐标轴，一个矩阵是二维张量，意思是有两维，也就是有两个坐标轴的张量。

源自：https://blog.csdn.net/qq_31821675/article/details/79188449

# -*- coding: utf-8 -*-
"""
Created on Mon Nov 16 14:29:10 2020

@author: 86188
"""
from __future__ import print_function
import torch
‘‘‘
构造一个随机初始化的矩阵
x = torch.empty(5, 3)
print(x)
‘‘‘

‘‘‘
构造一个矩阵全为 0，而且数据类型是 long.
x= torch.zeros(5,3,dtype = torch.long)
print(x)
‘‘‘

‘‘‘
构造一个张量，直接使用数据：
x= torch.tensor([5.5,3])
print(x)
‘‘‘
‘‘‘
x = x.new_ones(5,3,dtype=torch.double)
print(x)

x = torch.randn_like(x,dtype = torch.float)
print(x)

print(x.size())

y = torch.rand(5,3)
print(x+y)


print(torch.add(x,y))

result = torch.empty(5,3)
torch.add(x,y,out = result)
print(result)

y.add_(x)
print(y)

print(x[:1])

‘‘‘
‘‘‘
x = torch.randn(4,4)
y = x.view(16)
z = x.view(-1,8)
print(x.size(),y.size(),z.size)
print(x,y,z)
‘‘‘
x =torch.randn(1)
print(x)
print(x.item())

tensor 张量

标签：port   有一个   通过   ted   向量   频率   net   股票   https   

原文地址：https://www.cnblogs.com/wuqinzhe/p/14197833.html