要在 PyTorch 中对张量元素进行排序，我们可以使用 torch.sort() 方法。此方法返回两个张量。第一个张量是包含元素排序值的张量，第二个张量是原始张量中元素的索引张量。我们可以计算 2D 张量，按行和按列。步骤导入所需的库。在以下所有 Python 示例中，所需的 Python 库是 torch。确保您已安装它。创建 PyTorch 张量并打印它。要对上面创建的张量的元素进行排序，请计算 torch.sort(input, dim)。将此值分配给一个新的... 阅读更多

PyTorch 张量类似于 numpy 数组。唯一的区别是张量利用 GPU 加速数值计算。张量的均值使用 torch.mean() 方法计算。它返回输入张量中所有元素的均值。我们还可以按行和按列计算均值，提供合适的轴或 dim。张量的标准差使用 torch.std() 计算。它返回张量中所有元素的标准差。像均值一样，我们还可以计算行或列的标准差。步骤导入所需的库。在以下所有... 阅读更多

要在 PyTorch 中对两个张量执行逐元素除法，我们可以使用 torch.div() 方法。它将第一个输入张量的每个元素除以第二个张量的对应元素。我们还可以将张量除以标量。张量可以除以具有相同或不同维度的张量。最终张量的维度将与高维张量的维度相同。如果我们将一个 1D 张量除以一个 2D 张量，则最终张量将是一个 2D 张量。步骤导入所需的库。在以下所有 Python 示例中，所需的 Python... 阅读更多

torch.mul() 方法用于在 PyTorch 中对张量执行逐元素乘法。它将张量的对应元素相乘。我们可以乘以两个或多个张量。我们还可以乘以标量和张量。还可以相乘具有相同或不同维度的张量。最终张量的维度将与高维张量的维度相同。张量的逐元素乘法也称为 Hadamard 积。步骤导入所需的库。在以下所有 Python 示例中，所需的 Python 库是 torch。确保您已安装它。定义两个或多个 PyTorch 张量并打印它们。如果... 阅读更多

要对张量执行逐元素减法，我们可以使用 PyTorch 的 torch.sub() 方法。张量的对应元素将被减去。我们可以从另一个张量中减去标量或张量。我们可以从具有相同或不同维度的张量中减去张量。最终张量的维度将与高维张量的维度相同。步骤导入所需的库。在以下所有 Python 示例中，所需的 Python 库是 torch。确保您已安装它。定义两个或多个 PyTorch 张量并打印它们。如果您想减去标量，请定义... 阅读更多

我们可以使用 torch.add() 对 PyTorch 中的张量执行逐元素加法。它将张量的对应元素相加。我们可以将标量或张量添加到另一个张量。我们可以将具有相同或不同维度的张量相加。最终张量的维度将与高维张量的维度相同。步骤导入所需的库。在以下所有 Python 示例中，所需的 Python 库是 torch。确保您已安装它。定义两个或多个 PyTorch 张量并打印它们。如果您想添加标量，请定义它。将两个或多个张量... 阅读更多

要调整 PyTorch 张量的大小，我们使用 .view() 方法。我们可以增加或减少张量的维度，但我们必须确保张量中元素的总数在调整大小前后必须匹配。步骤导入所需的库。在以下所有 Python 示例中，所需的 Python 库是 torch。确保您已安装它。创建一个 PyTorch 张量并打印它。使用 .view() 调整上面创建的张量的大小并将值分配给一个变量。.view() 不会调整原始张量的大小；它只会提供一个具有新大小的视图，因为它... 阅读更多

我们可以使用 torch.cat() 和 torch.stack() 连接两个或多个张量。torch.cat() 用于连接两个或多个张量，而 torch.stack() 用于堆叠张量。我们可以沿不同的维度连接张量，例如 0 维、-1 维。torch.cat() 和 torch.stack() 都用于连接张量。那么，这两种方法的基本区别是什么呢？torch.cat() 沿现有维度连接一系列张量，因此不会更改张量的维度。torch.stack() 沿新维度堆叠张量，因此它会增加维度。步骤导入所需的库。在以下所有示例中，... 阅读更多

我们将张量的大小（或形状）和张量中元素的数量作为张量的元数据进行访问。要访问张量的大小，我们使用 .size() 方法，并使用 .shape 访问张量的形状。.size() 和 .shape 都产生相同的结果。我们使用 torch.numel() 函数查找张量中元素的总数。步骤导入所需的库。这里，所需的库是 torch。确保您已安装 torch。定义 PyTorch 张量。查找张量的元数据。使用 .size() 和 .shape 访问大小和... 阅读更多

PyTorch 张量类似于 numpy.ndarray。这两者之间的区别在于张量利用 GPU 加速数值计算。我们使用函数 torch.from_numpy() 将 numpy.ndarray 转换为 PyTorch 张量。并且张量使用 .numpy() 方法转换为 numpy.ndarray。步骤导入所需的库。这里，所需的库是 torch 和 numpy。创建一个 numpy.ndarray 或 PyTorch 张量。使用 torch.from_numpy() 函数将 numpy.ndarray 转换为 PyTorch 张量，或使用 .numpy() 方法将 PyTorch 张量转换为 numpy.ndarray。最后，打印转换后的张量或 numpy.ndarray。示例 1以下 Python 程序将 numpy.ndarray 转换为 PyTorch 张量。# 导入... 阅读更多