世界上许多最棘手的科学挑战，如开发高温超导体和了解空间和时间的本质，都涉及到处理量子系统的复杂性。使这些挑战变得困难的原因是这些系统中的量子态数量呈指数级增长，使得暴力计算变得不可行。为了解决这个问题，使用了称为张量网络的数据结构。张量网络让人们专注于与现实问题最相关的量子态 - 低能量状态，而忽略其他不相关的状态。张量网络也越来越多地在机器学习（ML）中找到应用。然而，仍存在阻碍它们在ML领域中广泛使用的困难：
PyTorch是一个基于Python的科学包，用于使用一种称为张量的特殊数据类型执行高级操作。张量是具有规则形状和相同数据类型的数字、向量、矩阵或多维数组。PyTorch是NumPy包的另一种选择，它可以在GPU下使用。它也被用作进行深度学习研究的框架。
词嵌入表示作为机器翻译、问答、文本分类等各种自然语言处理任务的基础，它通常会占到模型参数总量的 20%~90%。存储和访问这些嵌入需要大量的空间，这不利于模型在资源有限的设备上部署和应用。针对这一问题，本文提出了 MorphTE 词嵌入压缩方法。MorphTE 结合了张量积操作强大的压缩能力以及语言形态学的先验知识，能够实现词嵌入参数的高倍压缩（超过 20 倍），同时保持模型的性能。
在使用深度学习框架进行模型训练或推理时，我们经常会遇到处理多维数据的情况。然而，当我们尝试使用维度为3的张量进行操作时，有时会遇到"too many indices for tensor of dimension 3"（维度为3的张量有太多的索引）的错误信息。本文将介绍这个错误的原因以及如何解决它。
张量是一个多维数组，它是标量、向量和矩阵概念的推广。在深度学习中，张量被广泛用于表示数据和模型参数。
注：张量默认创建int64（长整型）类型，整数型的数组默认创建int32（整型）类型。
在机器学习项目中，你肯定要在代码中实现各种运算，其中必然要用到各种数学符号，因此，必须了解并熟知如何实现。
贪婪地选择按得分降序排列的边界框子集。删除与先前选择的框具有高交叉-过度联合(IOU)重叠的框。边界框以[y1, x1, y2, x2]的形式提供，其中(y1, x1)和(y2, x2)为任意对角对角框角的坐标，坐标可以标准化(即，位于区间[0,1]或绝对区间。注意，这个算法不知道原点在坐标系中的什么位置。注意，这个算法对于坐标系的正交变换和平移是不变的;因此，坐标系统的平移或反射会导致算法选择相同的框。这个操作的输出是一组整数，索引到表示所选框的边界框的输入集合中。然后使用tf可以获得与所选索引对应的边界框坐标。收集操作。例如:selected_indices = tf.image。non_max_suppression(box, scores, max_output_size, iou_threshold)选择ted_boxes = tf。收集(盒、selected_indices)
张量 标量：0维张量 向量：1维张量 矩阵：2维张量 张量：一个多维数组，标量、向量、矩阵的高维扩展 Tensor
用户在使用 Pytorch 的过程中，必然会接触到 view 这个概念，可能会有用户对它背后的实现原理感兴趣。
根据条件返回元素(x或y)。 如果x和y都为空，那么这个操作返回条件的真元素的坐标。坐标在二维张量中返回，其中第一个维度(行)表示真实元素的数量，第二个维度(列)表示真实元素的坐标。记住，输出张量的形状可以根据输入中有多少个真值而变化。索引按行主顺序输出。如果两者都是非零，则x和y必须具有相同的形状。如果x和y是标量，条件张量必须是标量。如果x和y是更高秩的向量，那么条件必须是大小与x的第一个维度匹配的向量，或者必须具有与x相同的形状。条件张量充当一个掩码，它根据每个元素的值选择输出中对应的元素/行是来自x(如果为真)还是来自y(如果为假)。如果条件是一个向量，x和y是高秩矩阵，那么它选择从x和y复制哪一行(外维)，如果条件与x和y形状相同，那么它选择从x和y复制哪一个元素。
a[:n]意思是取出a中的前n个元素，当n>len(a)时，不会报错哦，会返回a的所有元素。
转载链接：https://www.zhihu.com/question/51325408/answer/125426642 来源：知乎
目前主流的深度学习框架都选择使用计算图来抽象神经网络计算表达，通过通用的数据结构（张量）来理解、表达和执行神经网络模型，通过计算图可以把 AI 系统化的问题形象地表示出来。
程序=算法+数据结构。神经网络本质上是一种大数据分析算法，任何算法得以运行，都必须依靠特定的数据结构，而用于将各种数据统一封装并输入网络模型的数据结构叫tensor,也就是张量。张量在不同的情况下存有
之前分享过一个国外 DEEPLIZARD 的高效入门 pytorch 视频教程，不过是英文的，导致很多小伙伴觉得非常的吃力。不过其实他们是有相对应的文章的，因此我计划将其翻译并整理成中文，方便大家阅读，同时自己也可以学习一波。
在进行深度学习模型训练时，我们常常会遇到各种各样的错误消息。其中一个常见的错误是： too many indices for tensor of dimension 3 这个错误通常出现在处理张量（Tensor）的过程中，意味着我们在访问或操作张量时使用了过多的索引。
本文介绍了各种数值型数据的容器（标量、向量、矩阵、张量）之间的关系，在实践中，张量特指3维及更高维度的数据容器。
在深度学习领域中，我们经常使用张量（tensor）来表示和处理数据。然而，有时候我们可能会遇到一些错误，例如 "IndexError: too many indices for tensor of dimension 3"。这个错误通常发生在我们试图使用超过张量维度的索引进行操作时。本文将探讨可能引起这个错误的原因，并提供解决方案。
张量流将稀疏张量表示为三个独立的稠密张量:指标、值和dense_shape。在Python中，为了便于使用，这三个张量被收集到一个SparseTensor类中。如果有单独的指标、值和dense_shape张量，在传递到下面的ops之前，将它们包装在sparse张量对象中。具体来说，稀疏张量稀疏张量(指标、值、dense_shape)由以下分量组成，其中N和ndims分别是稀疏张量中的值和维数：
环境搭建 CmakeLists.txt cmake_minimum_required (VERSION 3.8) project(SOLDIER) set(Torch_DIR "/libtorch/share/cmake/Torch") set(PYTHON_EXECUTABLE "/usr/bin/python3") find_package(Torch REQUIRED) find_package(OpenCV REQUIRED) set(CMAKE_CXX_FLAGS "${CMAKE_CXX
张量一共有三种类型，分别是：整数型、浮点型和布尔型。其中整数型和浮点型张量的精度分别有8位、
在进行深度学习任务和数据处理时，我们经常会涉及到使用张量（tensors）作为索引操作。在使用张量作为索引时，我们常常会遇到“RuntimeError: tensors used as indices must be long or byte tensors”的错误。 这篇博客文章将向您解释这个错误的原因，并为您提供几种解决方法。
🔎使用 Tensor.numpy 函数可以将张量转换为 ndarray 数组，但是共享内存，可以使用 copy 函数避免共享。
定义在：tensorflow/python/framework/sparse_tensor.py.
今天是《高效入门Pytorch》的第二篇文章，上一篇我们讲解到《张量解释——深度学习的数据结构》。
爱因斯坦求和约定（einsum）提供了一套既简洁又优雅的规则，可实现包括但不限于：向量内积，向量外积，矩阵乘法，转置和张量收缩（tensor contraction）等张量操作，熟练运用 einsum 可以很方便的实现复杂的张量操作，而且不容易出错。
在使用PyTorch进行深度学习任务时，我们经常会遇到 "only one element tensors can be converted to Python scalars" 这样的错误消息。这个错误消息通常在尝试将只包含一个元素的张量转换为Python标量时发生。本文将深入讲解这个错误消息的原因以及如何解决它。
MNIST机器学习入门 博文 ID：机器学习和TensorFlow都不太了解的新手。如果你已经了解MNIST和softmax回归(softmax regression)的相关知识，你可以阅读这个快速上
图像是猫还是狗？情感是正还是负？贷还是不贷？这些问题，该如何使用合适的机器学习模型来解决呢？
默认下，Tensor为‘torch.FloatTensor’类型，若要改为double类型的，则需要执行
疫情在家的这段时间，系统的学习一遍 Pytorch 基础知识，因为我发现虽然直接 Pytorch 实战上手比较快，但是关于一些内部的原理知识其实并不是太懂，这样学习起来感觉很不踏实， 对 Pytorch 的使用依然是模模糊糊， 跟着人家的代码用 Pytorch 玩神经网络还行，也能读懂，但自己亲手做的时候，直接无从下手，啥也想不起来， 我觉得我这种情况就不是对于某个程序练得不熟了，而是对 Pytorch 本身在自己的脑海根本没有形成一个概念框架，不知道它内部运行原理和逻辑，所以自己写的时候没法形成一个代码逻辑，就无从下手。这种情况即使背过人家这个程序，那也只是某个程序而已，不能说会 Pytorch， 并且这种背程序的思想本身就很可怕， 所以我还是习惯学习知识先有框架（至少先知道有啥东西）然后再通过实战（各个东西具体咋用）来填充这个框架。而「这个系列的目的就是在脑海中先建一个 Pytorch 的基本框架出来, 学习知识，知其然，知其所以然才更有意思」。
论文名称：TensorMask: A Foundation for Dense Object Segmentation
把张量分割成指定数量的块，每个块是输入张量的view 最后一个块如果张量沿着指定的维度不可分割成指定形状的块，那么最后一个块形状更小 参数
---- 新智元编译 来源：arxiv.org 翻译：肖琴 【新智元导读】华盛顿大学计算机系博士生陈天奇、以及上海交通大学和复旦大学的研究团队提出一个基于学习的框架，以优化用于深度学习工作负载的张量程序。该研究使用基于机器学习的方法来自动优化张量运算核心并编译AI工作负载，从而可以将最优的性能部署到所有硬件。实验结果表明，该框架能够为低功耗CPU，移动GPU和服务器级GPU提供与最先进手工调优库相媲美的性能。 论文地址：https://arxiv.org/pdf/1805.08166.pdf 深度学
在这个神经网络编程系列中，我们正在努力构建卷积神经网络（CNN），所以让我们看看在CNN中的张量输入。
作者：Xinlei Chen、Ross Girshick、Kaiming He、Piotr Dollar
TensorFlow是一个面向深度学习算法的科学计算库，内部数据保存在张量Tensor对象中，所有的运算操作都是基于张量进行的
torch.split(Tensor, split_size_or_sections, dim)
关于“tensorflow”这个专栏，我打算一直更新下去，文章基本都是随着我的进度来的，我也是查找了一些资料并根据自己的一些理解写的，可能内容偶尔会有错误，如果出现错误，大家可以在公众号后台滴滴我，或者直接微信轰炸我，我不会介意的。
可以看出，torch.Tensor()没有保留数值类型，其它三个都保留了。这是因为torch.Tensor()实际上是一个类，传入的数据需要“初始化”；其它三个都是函数，而通过torch.Tensor()生成的张量的数据类型是由一个环境变量决定的，这个环境变量可以通过torch.set_default_tensor_type(t)这个函数来设定。
在使用深度学习框架如PyTorch或TensorFlow进行张量操作时，你可能会遇到一个错误，该错误提示 "张量用作索引必须是长整型或字节型张量"。这个错误通常发生在你试图使用一个张量作为另一个张量的索引时，但是张量的数据类型不适合用于索引。 在本篇博客文章中，我们将探讨这个错误背后的原因，如何理解它以及如何修复它。
今天，我想分享一种不同的方法来描绘矩阵，它不仅用于数学，也用于物理、化学和机器学习。基本想法是：一个带有实数项的 m×n 矩阵 M 可以表示从 R^n→R^m 的线性映射。这样的映射可以被描绘成具有两条边的节点。一条边表示输入空间，另一条边表示输出空间。
为后续讲解方便，这里先介绍CNN的基本图片的概念，一般将图片设定为[batch_size, channel, height, width]的四维矩阵。
在诸如自然语言处理、推荐系统构建等深度学习研究的许多方面，词汇嵌入和高维数据无处不在。谷歌最近开源了 embedding project 项目，此项目是一个交互式、协作、可视化工具，可用于高维数据的可视化。该项目是在欧几里得空间中实现点到空间数据的映射。许多类型的大数据需要进行可视化，这些可视化包括图表、神经网络、记录关于权重的参数摘要，sigmoid 激活函数，以及机器学习模型的精度。
argmax(...): 返回一个张量在轴上的最大值的指标。 (deprecated arguments)
函数定义：torch.max(input, dim, max=None, max_indices=None，keepdim=False)
现代实例分割方法主要是先检测对象边界框，然后进行裁剪和分割， Mask R-CNN 是目前这类方法中最优秀的。
Tensorflow 是一个面向深度学习算法的科学计算库，内部数据保存在张量（Tensor）对象熵，所有的运算操作（Operation）也都是基于张量对象进行的，我们所接触到的复杂的神经网络算法本质上就是各种张量相乘，想加等一些基本运算操作的组合。
在PyTorch中，张量是核心数据结构，它是一个多维数组，类似Numpy中的数组。张量不仅仅是存储数据的容器，还是进行各种数学运算和深度学习操作的基础。
领取专属 10元无门槛券
手把手带您无忧上云
