pytorch中张量torch.Size([])和torch.Size([1])的形状差异
pytorch中张量torch.Size([])和torch.Size([1])的形状差异
提问于 2019-07-03 00:49:48
我是pytorch的新手。在玩张量的时候，我观察到了两种类型的张量-
tensor(58)
tensor([57.3895])我打印了它们的形状，输出分别是-
torch.Size([])
torch.Size([1])两者之间的区别是什么？
回答 3
Stack Overflow用户
发布于 2019-07-03 01:02:59
Stack Overflow用户
发布于 2019-07-03 01:23:46
您可以使用具有单个标量值的张量，如下所示：
import torch
t = torch.tensor(1)
print(t, t.shape) # tensor(1) torch.Size([])
t = torch.tensor([1])
print(t, t.shape) # tensor([1]) torch.Size([1])
t = torch.tensor([[1]])
print(t, t.shape) # tensor([[1]]) torch.Size([1, 1])
t = torch.tensor([[[1]]])
print(t, t.shape) # tensor([[[1]]]) torch.Size([1, 1, 1])
t = torch.unsqueeze(t, 0)
print(t, t.shape) # tensor([[[[1]]]]) torch.Size([1, 1, 1, 1])
t = torch.unsqueeze(t, 0)
print(t, t.shape) # tensor([[[[[1]]]]]) torch.Size([1, 1, 1, 1, 1])
t = torch.unsqueeze(t, 0)
print(t, t.shape) # tensor([[[[[[1]]]]]]) torch.Size([1, 1, 1, 1, 1, 1])
#squize dimension with id 0
t = torch.squeeze(t,dim=0)
print(t, t.shape) # tensor([[[[[1]]]]]) torch.Size([1, 1, 1, 1, 1])
#back to beginning.
t = torch.squeeze(t)
print(t, t.shape) # tensor(1) torch.Size([])
print(type(t)) # <class 'torch.Tensor'>
print(type(t.data)) # <class 'torch.Tensor'>张量有一定的大小或形状。这是一样的。它实际上是一个类torch.Size。您可以编写help(torch.Size)来获取更多信息。任何时候你写t.shape，或者t.size()，你都会得到那个大小的信息。
张量的思想是，对于其中的数据，它们可以具有不同的兼容大小维度，包括torch.Size([])。
任何时候你解压缩一个张量，它都会增加另一个维度1。任何时候你压缩一个张量，它都会去掉1的维度，或者在一般情况下，所有维度都是1。
Stack Overflow用户
发布于 2020-07-19 16:47:40
查看pytorch中的tensor文档
Docstring:
tensor(data, dtype=None, device=None, requires_grad=False, pin_memory=False) -> Tensor
Constructs a tensor with :attr:`data`.然后描述数据是什么：
Args:
data (array_like): Initial data for the tensor. Can be a list, tuple,
NumPy ``ndarray``, scalar, and other types.正如您所看到的，data可以是一个标量(这是一个维度为零的数据)。
因此，为了回答你的问题，tensor(58)是一个维度为0的张量，tensor([58])是一个维度为1的张量。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/56856996
复制相关文章
相似问题
腾讯云开发者
