Muodot ja Dimensiot PyTorchissa
Samoin kuin NumPy-taulukoissa, tensorin muoto määrittää sen ulottuvuudet. Tensorin muotoa voi tarkastella käyttämällä .shape-attribuuttia:
123import torch tensor = torch.tensor([[1, 2, 3], [4, 5, 6]]) print(f"Tensor shape: {tensor.shape}")
Tensorien muodon muuttaminen view-metodilla
.view()-metodi luo uuden näkymän tensorista määritetyllä muodolla muuttamatta alkuperäistä tensoria. Alkiomäärän täytyy pysyä samana.
1234567import torch tensor = torch.arange(12) # Reshape a tensor to 4x3 reshaped_tensor = tensor.view(4, 3) print(f"Reshaped tensor: {reshaped_tensor}") # Original tensor remains unchanged print(f"Original tensor: {tensor}")
Tensorien muotoilu reshape-metodilla
.reshape()-metodi on samankaltainen kuin .view(), mutta se pystyy käsittelemään tilanteita, joissa tensori ei ole tallennettuna yhtenäisesti muistiin. Se ei myöskään muuta alkuperäistä tensoria.
12345import torch tensor = torch.arange(12) # Reshape a tensor to 6x2 reshaped_tensor = tensor.reshape(6, 2) print(f"Reshaped tensor: {reshaped_tensor}")
Negatiivisten dimensioiden käyttö
Voit käyttää -1 muodon määrittelyssä, jolloin PyTorch päättelee yhden ulottuvuuden koon kokonaisalkioiden määrän perusteella.
12345import torch tensor = torch.arange(12) # Automatically infer the second dimension inferred_tensor = tensor.view(2, -1) print("Inferred Tensor:", inferred_tensor)
Tensor-näkymien ymmärtäminen
Tensorin näkymä jakaa saman datan alkuperäisen tensorin kanssa. Muutokset näkymään vaikuttavat alkuperäiseen tensoriin ja päinvastoin.
1234567import torch tensor = torch.arange(12) view_tensor = tensor.view(2, 6) view_tensor[0, 0] = 999 # Changes in the view are reflected in the original tensor print("View Tensor:", view_tensor) print("Original Tensor:", tensor)
Dimensioiden muuttaminen
Seuraavat kaksi menetelmää mahdollistavat dimensioiden lisäämisen tai poistamisen:
unsqueeze(dim)lisää uuden dimension määritettyyn kohtaan;squeeze(dim)poistaa dimensioita, joiden koko on 1.
12345678import torch tensor = torch.arange(12) # Add a new dimension unsqueezed_tensor = tensor.unsqueeze(0) # Add a batch dimension print(f"Unsqueezed tensor: {unsqueezed_tensor.shape}") # Remove a dimension of size 1 squeezed_tensor = unsqueezed_tensor.squeeze(0) print(f"Squeezed Tensor: {squeezed_tensor.shape}")
Kiitos palautteestasi!
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
What is the difference between view() and reshape() in PyTorch?
Can you explain how negative dimensions work when reshaping tensors?
How do unsqueeze() and squeeze() affect the shape of a tensor?
Awesome!
Completion rate improved to 5Muodot ja Dimensiot PyTorchissa
Pyyhkäise näyttääksesi valikon
Samoin kuin NumPy-taulukoissa, tensorin muoto määrittää sen ulottuvuudet. Tensorin muotoa voi tarkastella käyttämällä .shape-attribuuttia:
123import torch tensor = torch.tensor([[1, 2, 3], [4, 5, 6]]) print(f"Tensor shape: {tensor.shape}")
Tensorien muodon muuttaminen view-metodilla
.view()-metodi luo uuden näkymän tensorista määritetyllä muodolla muuttamatta alkuperäistä tensoria. Alkiomäärän täytyy pysyä samana.
1234567import torch tensor = torch.arange(12) # Reshape a tensor to 4x3 reshaped_tensor = tensor.view(4, 3) print(f"Reshaped tensor: {reshaped_tensor}") # Original tensor remains unchanged print(f"Original tensor: {tensor}")
Tensorien muotoilu reshape-metodilla
.reshape()-metodi on samankaltainen kuin .view(), mutta se pystyy käsittelemään tilanteita, joissa tensori ei ole tallennettuna yhtenäisesti muistiin. Se ei myöskään muuta alkuperäistä tensoria.
12345import torch tensor = torch.arange(12) # Reshape a tensor to 6x2 reshaped_tensor = tensor.reshape(6, 2) print(f"Reshaped tensor: {reshaped_tensor}")
Negatiivisten dimensioiden käyttö
Voit käyttää -1 muodon määrittelyssä, jolloin PyTorch päättelee yhden ulottuvuuden koon kokonaisalkioiden määrän perusteella.
12345import torch tensor = torch.arange(12) # Automatically infer the second dimension inferred_tensor = tensor.view(2, -1) print("Inferred Tensor:", inferred_tensor)
Tensor-näkymien ymmärtäminen
Tensorin näkymä jakaa saman datan alkuperäisen tensorin kanssa. Muutokset näkymään vaikuttavat alkuperäiseen tensoriin ja päinvastoin.
1234567import torch tensor = torch.arange(12) view_tensor = tensor.view(2, 6) view_tensor[0, 0] = 999 # Changes in the view are reflected in the original tensor print("View Tensor:", view_tensor) print("Original Tensor:", tensor)
Dimensioiden muuttaminen
Seuraavat kaksi menetelmää mahdollistavat dimensioiden lisäämisen tai poistamisen:
unsqueeze(dim)lisää uuden dimension määritettyyn kohtaan;squeeze(dim)poistaa dimensioita, joiden koko on 1.
12345678import torch tensor = torch.arange(12) # Add a new dimension unsqueezed_tensor = tensor.unsqueeze(0) # Add a batch dimension print(f"Unsqueezed tensor: {unsqueezed_tensor.shape}") # Remove a dimension of size 1 squeezed_tensor = unsqueezed_tensor.squeeze(0) print(f"Squeezed Tensor: {squeezed_tensor.shape}")
Kiitos palautteestasi!
