关键词

pytorch tensor 维度理解.md

torch.randn

  • torch.randn(*sizes, out=None) → Tensor(张量)

  • 返回一个张量,包含了从标准正态分布(均值为0,方差为 1)中抽取一组随机数,形状由可变参数sizes定义。 参数:

    • sizes (int...) – 整数序列,定义了输出形状
    • out (Tensor, optinal) - 结果张量

二维

>>> import torch
>>> torch.randn(2,3)
tensor([[-1.0413,  0.8792,  2.1381],
           [ 0.9541, -2.3019,  0.5490]])
>>>

三维

>>> torch.randn(2,2,3)
tensor([[[ 0.4200,  0.4624,  0.3099],
            [-0.1227,  0.2452,  0.9840]],

           [[-0.8800, -0.5937, -1.4465],
            [ 1.6523, -0.0170, -0.6393]]])
>>>
  • 三维基于二维增加了一维,即(2,2,3)是包含了2个2行三列的矩阵;第一个数字即指包含几个二维矩阵

四维

>>> torch.randn(2,2,2,3)
tensor([[[[-1.1649, -1.1810, -0.3619],
             [-0.8433, -0.4411,  1.8187]],

            [[ 0.4896,  0.4773,  0.0032],
             [ 1.1269,  1.3638,  1.4495]]],

          [[[-0.1959,  0.5646,  0.7001],
            [ 0.6796,  0.1164,  1.6833]],

           [[-0.2674, -0.2411,  1.5875],
            [-0.2804,  1.4775,  0.2448]]]])
>>>
  • 四维基于三维增加了一维,(2,2,2,3)即包含了2个三维的矩阵。
>>> a = torch.randn(2,2,2,3)
>>> torch.numel(a)             # 计算tensor的元素个数(即矩阵的元素个数)
24
  • 若是n维,以此类推,基于上一维增加一维计算。

本文链接:http://task.lmcjl.com/news/5450.html

展开阅读全文