在线建设网站制作,一级a做爰片视频免费观看网站,企业标识设计经典案例,网站批量查询工具文章目录 1、张量基本运算2、阿达玛积3、点积运算4、指定运算设备⭐5、解决在GPU运行PyTorch的问题 #x1f343;作者介绍#xff1a;双非本科大三网络工程专业在读#xff0c;阿里云专家博主#xff0c;专注于Java领域学习#xff0c;擅长web应用开发、数据结构和算法作者介绍双非本科大三网络工程专业在读阿里云专家博主专注于Java领域学习擅长web应用开发、数据结构和算法初步涉猎人工智能和前端开发。 个人主页逐梦苍穹 所属专栏人工智能 gitee地址xzl的人工智能代码仓库 ✈ 您的一键三连是我创作的最大动力 1、张量基本运算 PyTorch 计算的数据都是以张量形式存在 可以在 CPU 中运算, 也可以在 GPU 中运算. 基本运算中包括 add、sub、mul、div、neg 等函数, 以及这些函数的带下划线的版本 add_、sub_、mul_、div_、neg_ 其中带下划线的版本为修改原数据。 操作类型函数示例代码代码解释创建张量torch.randintdata torch.randint(0, 10, [2, 3])生成一个2x3的随机整数张量范围在0到9之间。不修改原数据addnew_data data.add(10)将每个元素加上10生成一个新张量。修改原数据add_data.add_(10)将每个元素加上10直接修改原数据。减法subdata.sub(100)将每个元素减去100生成一个新张量。乘法muldata.mul(100)将每个元素乘以100生成一个新张量。除法divdata.div(100)将每个元素除以100生成一个新张量。取反negdata.neg()将每个元素取反生成一个新张量。
代码
# -*- coding: utf-8 -*-
# Author: CSDN逐梦苍穹
# Time: 2024/7/16 1:25# 导入PyTorch库
import torch# 定义测试函数
def test():# 生成一个2x3的随机整数张量范围在0到9之间data torch.randint(0, 10, [2, 3])print(data)print(- * 50)# 1. 不修改原数据# 使用add函数将每个元素加上10生成一个新张量new_data data.add(10) # 等价 new_data data 10print(new_data)print(- * 50)# 2. 直接修改原数据# 注意: 带下划线的函数为修改原数据本身# 使用add_函数将每个元素加上10直接修改原数据data.add_(10) # 等价 data 10print(data)# 3. 其他函数# 使用sub函数将每个元素减去100生成一个新张量print(data.sub(100))# 使用mul函数将每个元素乘以100生成一个新张量print(data.mul(100))# 使用div函数将每个元素除以100生成一个新张量print(data.div(100))# 使用neg函数将每个元素取反生成一个新张量print(data.neg())效果
2、阿达玛积
阿达玛积Hadamard Product又称为元素积element-wise product是指两个相同尺寸的矩阵对应元素相乘得到的新矩阵。 阿达玛积与矩阵乘法不同矩阵乘法是行与列的点积而阿达玛积只是简单的元素相乘。 # -*- coding: utf-8 -*-
# Author: CSDN逐梦苍穹
# Time: 2024/7/16 2:25
import torchdef test():data1 torch.tensor([[1, 2], [3, 4]])data2 torch.tensor([[5, 6], [7, 8]])# 第一种方式data torch.mul(data1, data2)print(data)print(- * 50)# 第二种方式data data1 * data2print(data)print(- * 50)if __name__ __main__:test()3、点积运算 点积Dot Product是向量计算中的一种基本运算它将两个向量对应元素相乘并求和。 点积在机器学习和深度学习中广泛应用于各种计算如向量相似性、神经网络中的加权和计算等。 点积运算要求第一个矩阵 shape: (n, m) 第二个矩阵 shape: (m, p) 两个矩阵点积运算 shape 为: (n, p)。
运算符 用于进行两个矩阵的点乘运算torch.mm 用于进行两个矩阵点乘运算, 要求输入的矩阵为2维torch.bmm 用于批量进行矩阵点乘运算, 要求输入的矩阵为3维torch.matmul 对进行点乘运算的两矩阵形状没有限定. 对于输入都是二维的张量相当于 mm 运算.对于输入都是三维的张量相当于 bmm 运算对数输入的 shape 不同的张量, 对应的最后几个维度必须符合矩阵运算规则
三维矩阵 torch.randn(3, 4, 5)参数个数不限从左到右依次是维度。 # -*- coding: utf-8 -*-
# Author: CSDN逐梦苍穹
# Time: 2024/7/16 2:35
import torch# 1. 点积运算
def test01():# 创建两个张量data1 为 3x2 矩阵data2 为 2x2 矩阵data1 torch.tensor([[1, 2], [3, 4], [5, 6]])data2 torch.tensor([[5, 6], [7, 8]])# 第一种方式使用 运算符进行矩阵乘法点积运算data data1 data2print(data)print(- * 50)# 第二种方式使用 torch.mm 函数进行矩阵乘法data torch.mm(data1, data2)print(data)print(- * 50)# 第三种方式使用 torch.matmul 函数进行矩阵乘法data torch.matmul(data1, data2)print(data)print(- * 50)# 2. torch.mm 和 torch.matmul 的区别
def test02():# matmul 可以处理不同维度的张量# 第一个张量的形状为 (3, 4, 5)# 第二个张量的形状为 (5, 4)# torch.mm 只能处理二维矩阵的乘法而 matmul 可以处理高维度张量的乘法print(torch.randn(3, 4, 5))print(torch.matmul(torch.randn(3, 4, 5), torch.randn(5, 4)).shape)# 反转张量的顺序第二个张量的形状为 (3, 4, 5)# 第一个张量的形状为 (5, 4)# 结果形状仍然符合矩阵乘法规则print(torch.matmul(torch.randn(5, 4), torch.randn(3, 4, 5)).shape)# 3. torch.bmm 函数的用法
def test03():# 批量点积运算# 第一个维度为 batch_size# data1 的形状为 (3, 4, 5)# data2 的形状为 (3, 5, 8)# torch.bmm 可以处理批量的矩阵乘法data1 torch.randn(3, 4, 5)data2 torch.randn(3, 5, 8)# 进行批量矩阵乘法运算结果形状为 (3, 4, 8)data torch.bmm(data1, data2)print(data.shape)4、指定运算设备⭐
PyTorch 默认会将张量创建在 CPU 控制的内存中, 即: 默认的运算设备为 CPU。 我们也可以将张量创建在 GPU 上, 能够利用对于矩阵计算的优势加快模型训练。 将张量移动到 GPU 上有两种方法:
使用 cuda 方法直接在 GPU 上创建张量使用 to 方法指定设备
指定设备的方式示例代码代码解释使用 cuda 方法python data torch.tensor([10, 20, 30]) data data.cuda() 使用 cuda() 方法将张量从 CPU 移动到 GPU。在创建张量时指定设备python data torch.tensor([10, 20, 30], devicecuda:0) 在创建张量时通过 device 参数直接指定设备为 GPU。使用 to 方法python data torch.tensor([10, 20, 30]) data data.to(cuda:0) 使用 to() 方法将张量从 CPU 移动到 GPU。使用 cpu 方法python data data.cpu() 使用 cpu() 方法将张量从 GPU 移动到 CPU。使用 torch.devicepython device torch.device(cuda if torch.cuda.is_available() else cpu) tensor torch.randn(3, 4, 5, devicedevice) 使用 torch.device 动态选择设备并在创建张量时指定设备。
# -*- coding: utf-8 -*-
# Author: CSDN逐梦苍穹
# Time: 2024/7/16 2:58
import torch
import torchvision# 1. 使用 cuda 方法
def test01():data torch.tensor([10, 20, 30])print(存储设备:, data.device)# 如果安装的不是 gpu 版本的 PyTorch# 或电脑本身没有 NVIDIA 卡的计算环境# 下面代码可能会报错data data.cuda()print(存储设备:, data.device)# 使用 cpu 函数将张量移动到 cpu 上data data.cpu()print(存储设备:, data.device)# 输出结果:# 存储设备: cpu# 存储设备: cuda:0# 存储设备: cpu# 2. 直接将张量创建在 GPU 上
def test02():data torch.tensor([10, 20, 30], devicecuda:0)print(存储设备:, data.device)# 使用 cpu 函数将张量移动到 cpu 上data data.cpu()print(存储设备:, data.device)# 输出结果:# 存储设备: cuda:0# 存储设备: cpu# 3. 使用 to 方法
def test03():data torch.tensor([10, 20, 30])print(存储设备:, data.device)data data.to(cuda:0)print(存储设备:, data.device)# 输出结果:# 存储设备: cpu# 存储设备: cuda:0# 4. 存储在不同设备的张量不能运算
def test04():data1 torch.tensor([10, 20, 30], devicecuda:0)data2 torch.tensor([10, 20, 30])print(data1.device, data2.device)# RuntimeError: Expected all tensors to be on the same device,# but found at least two devices, cuda:0 and cpu!data data1 data2print(data)def test05():# 检查CUDA是否可用并选择设备device torch.device(cuda if torch.cuda.is_available() else cpu)# device cpuprint(Using device:, device)# 构建一个形状为 (3, 4, 5) 的随机张量并指定设备tensor torch.randn(3, 4, 5, devicedevice)print(Tensor:, tensor)print(Shape:, tensor.shape)print(Device:, tensor.device)data torch.randn(5, 4, devicedevice)print(torch.matmul(tensor, data))def test06():print(PyTorch版本: , torch.__version__) # 打印PyTorch版本print(torchvision版本 , torchvision.__version__) # 打印torchvision版本print(CUDA是否可用: , torch.cuda.is_available()) # 检查CUDA是否可用if __name__ __main__:test04()5、解决在GPU运行PyTorch的问题
请参考我的这篇文章https://xzl-tech.blog.csdn.net/article/details/140478985
