Tensor

Tensor

我现有3万张图片,如何能够把他们以numpy的格式保存起来?

CUDAwoniu0755 回复了问题 • 3 人关注 • 2 个回复 • 1280 次浏览 • 2018-04-25 16:55 • 来自相关话题

pytorch 如何把Variable转换成numpy?

pytorch匿名用户 回复了问题 • 2 人关注 • 5 个回复 • 2866 次浏览 • 2018-01-12 00:54 • 来自相关话题

pytorch使用torch.save()保存大文件非常慢是什么原因?

pytorchsuke 回复了问题 • 2 人关注 • 1 个回复 • 1334 次浏览 • 2018-01-11 15:00 • 来自相关话题

在Pytorch中实现了Numpy

回复

pytorch匿名用户 回复了问题 • 1 人关注 • 1 个回复 • 897 次浏览 • 2017-09-20 21:15 • 来自相关话题

10分钟轻松入门Numpy

回复

pytorch匿名用户 发起了问题 • 1 人关注 • 0 个回复 • 674 次浏览 • 2017-08-07 23:41 • 来自相关话题

NumPy安装使用与详细解读,轻松学会NumPy框架-NumPy中文文档

回复

pythonjack 发起了问题 • 1 人关注 • 0 个回复 • 756 次浏览 • 2017-08-07 23:39 • 来自相关话题

如何将numpy数组转换为Torch张量

回复

pytorch匿名用户 发起了问题 • 1 人关注 • 0 个回复 • 1306 次浏览 • 2017-07-23 23:11 • 来自相关话题

如何把tensor存到文件里呢?

回复

pytorch匿名用户 回复了问题 • 1 人关注 • 1 个回复 • 1054 次浏览 • 2017-07-10 19:57 • 来自相关话题

在不同文件夹引入torch,出现错误

回复

pytorchjack 发起了问题 • 1 人关注 • 0 个回复 • 1080 次浏览 • 2017-07-03 22:02 • 来自相关话题

Pytorch 在Tensor和numpy之间相互转换

pytorchwda 发表了文章 • 0 个评论 • 3038 次浏览 • 2017-06-24 15:33 • 来自相关话题

在Pytorch 中Tensor和numpy之间可以相互转换,Tensor转换为numpy很简单,只需要numpy()函数即可,Numpy转化为Tensor也很简单,只需torch.from_numpy(b)即可:



# -*- coding: utf-8 -*-
import numpy as np
import torch
import torch.nn as nn
import torch.nn.functional as F

a = torch.Tensor(3,3)
print a
b = a.numpy()
print torch.from_numpy(b) 查看全部
在Pytorch 中Tensor和numpy之间可以相互转换,Tensor转换为numpy很简单,只需要numpy()函数即可,Numpy转化为Tensor也很简单,只需torch.from_numpy(b)即可:
2.jpg
# -*- coding: utf-8 -*-
import numpy as np
import torch
import torch.nn as nn
import torch.nn.functional as F

a = torch.Tensor(3,3)
print a
b = a.numpy()
print torch.from_numpy(b)

如何将numpy数组转换为Torch张量

回复

pytorch匿名用户 发起了问题 • 1 人关注 • 0 个回复 • 1306 次浏览 • 2017-07-23 23:11 • 来自相关话题

如何把tensor存到文件里呢?

回复

pytorch匿名用户 回复了问题 • 1 人关注 • 1 个回复 • 1054 次浏览 • 2017-07-10 19:57 • 来自相关话题

[pytorch快速入门教程]pytorch的基石-Tensor张量

pytorchwda 发表了文章 • 0 个评论 • 2464 次浏览 • 2017-05-30 22:28 • 来自相关话题

Tensors类似于numpy的ndarray,但是带了一些附加的功能,例如可以使用GPU加速计算等等。import torch
构建一个未初始化的 5x3 矩阵:x = torch.Tensor(5, 3)
print(x)
输出:1.00000e-37 *
0.0000 0.0000 0.0000
0.0000 0.0386 0.0000
0.1063 0.0000 0.9101
0.0000 0.8589 0.0000
3.8771 0.0000 4.7069
[torch.FloatTensor of size 5x3]构建一个随机初始化的矩阵:x = torch.rand(5, 3)
print(x)
输出: 0.0968 0.3444 0.8056
0.1710 0.9617 0.1205
0.8129 0.4235 0.8243
0.2726 0.2321 0.3425
0.3740 0.7438 0.8613
[torch.FloatTensor of size 5x3]
获取矩阵维度大小:print(x.size())输出:(5L, 3L)注意:
torch.Size 实际上是一个元组,因此它支持相同的操作。

运算操作
运算操作有多种语法,让我们看看加法的例子。

加法:语法1x = torch.rand(5, 3)
print(x)

y = torch.rand(5, 3)

print y
print(x + y)输出: 0.9073 0.0706 0.4055
0.2490 0.8740 0.8407
0.6423 0.6609 0.1303
0.7129 0.9927 0.5198
0.8317 0.0544 0.3642
[torch.FloatTensor of size 5x3]


0.1939 0.1270 0.7614
0.5257 0.0990 0.6064
0.7934 0.8955 0.7206
0.9461 0.2732 0.3663
0.3572 0.4705 0.3903
[torch.FloatTensor of size 5x3]


1.1011 0.1976 1.1669
0.7747 0.9730 1.4471
1.4357 1.5564 0.8509
1.6591 1.2659 0.8861
1.1889 0.5249 0.7544
[torch.FloatTensor of size 5x3]加法:语法2print(torch.add(x, y))
注意: 1.1011 0.1976 1.1669
0.7747 0.9730 1.4471
1.4357 1.5564 0.8509
1.6591 1.2659 0.8861
1.1889 0.5249 0.7544
[torch.FloatTensor of size 5x3]加法:给定一个输出tensorresult = torch.Tensor(5, 3)
torch.add(x, y, out=result)
print(result)加法:就地# adds x to y
y.add_(x)
print(y)输出: 1.1177 0.8514 1.1459
1.1878 0.9249 0.5759
1.3508 1.4628 1.2833
1.8678 0.8499 0.2941
0.9718 1.0785 0.6914
[torch.FloatTensor of size 5x3]注意:
任何就地改变一个tensor的操作都以_为后缀。例如:x.copy_(y), x.t_(),都会改变x。

你可以像numpy一样使用索引!
 
任何就地改变一个tensor的操作都以_为后缀。例如:x.copy_(y), x.t_(),都会改变x。print(x[:, 1])输出:0.4855
0.4525
0.8742
0.1873
0.2953
[torch.FloatTensor of size 5]延伸阅读:
100+ Tensor运算,包括转置、索引、切分、数学运算、线性代数随机数等等,参考:http://pytorch.org/docs/torch
 
Numpy的桥梁
Torch的Tensor和Numpy的数组之间的互转简直像一阵清风一样。Torch的Tensor和Numpy的数组会共享它们的底层存储位置,该变其中一个,另外一个也会改变。
将Torch Tensor转换为Numpy数组a = torch.ones(5)
print(a)输出: 1
1
1
1
1
[torch.FloatTensor of size 5]接下来我们进行转换# -*- coding: utf-8 -*-
import torch

a = torch.ones(5)

b = a.numpy()
print(b)输出:[ 1. 1. 1. 1. 1.]看看当改变numpy数组的值时发生了什么。a.add_(5)
print(a)
print(b)输出: 6
6
6
6
6
[torch.FloatTensor of size 5]

[ 6. 6. 6. 6. 6.]
 将Numpy数组转换为Torch Tensor

看看更改Numpy数组的同时自动地更改了Torch Tensor# -*- coding: utf-8 -*-
import torch
import numpy as np

a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 3, out=a)
print(a)
print(b)输出:[ 4. 4. 4. 4. 4.]

4
4
4
4
4
[torch.DoubleTensor of size 5]除了CharTensor之外,CPU上的所有Tensor都支持与Numpy数组的来回转换。

CUDA Tensors
可以使用.cuda函数将Tensor转移到GPU上。# let us run this cell only if CUDA is available
if torch.cuda.is_available():
x = x.cuda()
y = y.cuda()
x + y
  查看全部
Tensors类似于numpy的ndarray,但是带了一些附加的功能,例如可以使用GPU加速计算等等。
import torch

构建一个未初始化的 5x3 矩阵:
x = torch.Tensor(5, 3) 
print(x)

输出:
1.00000e-37 *
0.0000 0.0000 0.0000
0.0000 0.0386 0.0000
0.1063 0.0000 0.9101
0.0000 0.8589 0.0000
3.8771 0.0000 4.7069
[torch.FloatTensor of size 5x3]
构建一个随机初始化的矩阵:
x = torch.rand(5, 3)
print(x)

输出:
 0.0968  0.3444  0.8056
0.1710 0.9617 0.1205
0.8129 0.4235 0.8243
0.2726 0.2321 0.3425
0.3740 0.7438 0.8613
[torch.FloatTensor of size 5x3]

获取矩阵维度大小:
print(x.size())
输出:
(5L, 3L)
注意:
torch.Size 实际上是一个元组,因此它支持相同的操作。

运算操作
运算操作有多种语法,让我们看看加法的例子。

加法:语法1
x = torch.rand(5, 3)
print(x)

y = torch.rand(5, 3)

print y
print(x + y)
输出:
 0.9073  0.0706  0.4055
0.2490 0.8740 0.8407
0.6423 0.6609 0.1303
0.7129 0.9927 0.5198
0.8317 0.0544 0.3642
[torch.FloatTensor of size 5x3]


0.1939 0.1270 0.7614
0.5257 0.0990 0.6064
0.7934 0.8955 0.7206
0.9461 0.2732 0.3663
0.3572 0.4705 0.3903
[torch.FloatTensor of size 5x3]


1.1011 0.1976 1.1669
0.7747 0.9730 1.4471
1.4357 1.5564 0.8509
1.6591 1.2659 0.8861
1.1889 0.5249 0.7544
[torch.FloatTensor of size 5x3]
加法:语法2
print(torch.add(x, y))

注意:
 1.1011  0.1976  1.1669
0.7747 0.9730 1.4471
1.4357 1.5564 0.8509
1.6591 1.2659 0.8861
1.1889 0.5249 0.7544
[torch.FloatTensor of size 5x3]
加法:给定一个输出tensor
result = torch.Tensor(5, 3)
torch.add(x, y, out=result)
print(result)
加法:就地
# adds x to y
y.add_(x)
print(y)
输出:
 1.1177  0.8514  1.1459
1.1878 0.9249 0.5759
1.3508 1.4628 1.2833
1.8678 0.8499 0.2941
0.9718 1.0785 0.6914
[torch.FloatTensor of size 5x3]
注意:
任何就地改变一个tensor的操作都以_为后缀。例如:x.copy_(y), x.t_(),都会改变x。

你可以像numpy一样使用索引!
 
任何就地改变一个tensor的操作都以_为后缀。例如:x.copy_(y), x.t_(),都会改变x。
print(x[:, 1])
输出:
0.4855
0.4525
0.8742
0.1873
0.2953
[torch.FloatTensor of size 5]
延伸阅读:
100+ Tensor运算,包括转置、索引、切分、数学运算、线性代数随机数等等,参考:http://pytorch.org/docs/torch
 
Numpy的桥梁
  • Torch的Tensor和Numpy的数组之间的互转简直像一阵清风一样。
  • Torch的Tensor和Numpy的数组会共享它们的底层存储位置,该变其中一个,另外一个也会改变。

将Torch Tensor转换为Numpy数组
a = torch.ones(5)
print(a)
输出:
 1
1
1
1
1
[torch.FloatTensor of size 5]
接下来我们进行转换
# -*- coding: utf-8 -*-
import torch

a = torch.ones(5)

b = a.numpy()
print(b)
输出:
[ 1.  1.  1.  1.  1.]
看看当改变numpy数组的值时发生了什么。
a.add_(5)
print(a)
print(b)
输出:
 6
6
6
6
6
[torch.FloatTensor of size 5]

[ 6. 6. 6. 6. 6.]

 将Numpy数组转换为Torch Tensor

看看更改Numpy数组的同时自动地更改了Torch Tensor
# -*- coding: utf-8 -*-
import torch
import numpy as np

a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 3, out=a)
print(a)
print(b)
输出:
[ 4.  4.  4.  4.  4.]

4
4
4
4
4
[torch.DoubleTensor of size 5]
除了CharTensor之外,CPU上的所有Tensor都支持与Numpy数组的来回转换。

CUDA Tensors
可以使用.cuda函数将Tensor转移到GPU上。
# let us run this cell only if CUDA is available
if torch.cuda.is_available():
x = x.cuda()
y = y.cuda()
x + y