pytorch中张量torch.Size([])和torch.Size([1])的形状差异
在PyTorch中，张量（Tensor）是一种多维数组，可以表示各种类型的数据。torch.Size([])和torch.Size([1])代表了张量的形状（shape）差异。
torch.Size([])表示一个空的张量，即一个标量（scalar），它没有维度和元素。标量是一个单独的数值，没有其他维度信息。在PyTorch中，空的张量通常用于表示一个常数或者一个单独的数值。
torch.Size([1])表示一个具有一个维度的张量，该维度的大小为1。这个张量可以被认为是一个包含了一个元素的向量。虽然它只有一个元素，但它仍然具有一个维度信息。
这两种形状的张量在使用上有一些区别：
- torch.Size([])通常用于表示一个标量值，例如一个损失函数的结果或者一个阈值。
- torch.Size([1])通常用于表示一个包含单个元素的向量，例如一个偏置项或者一个临时变量。
在实际的应用场景中，根据具体的需求选择适当的形状对于张量的表示非常重要。这取决于数据的类型、数据的维度以及数据处理的需求。
对于这个特定问题，由于没有指定具体的需求和上下文，无法给出更加具体的应用场景和推荐的腾讯云相关产品。但是，腾讯云提供了一系列的人工智能、云原生、存储和计算等服务，可以根据具体需求选择适合的产品。你可以访问腾讯云官方网站（https://cloud.tencent.com/）了解更多关于腾讯云的产品和服务信息。
相关·内容
1回答
我想知道是否有可能将两个不同形状的pytorch张量连接起来。一个张量的形状为torch.Size(247247)，另一个张量的形状为torch.Size(10,183)。在dim=1上使用torch.cat()可以将它们连接起来吗？
浏览 16提问于2020-12-27得票数 0
1回答
我有两个张量的火把，这些形状：
torch.Size(64,100)和torch.Size(64,100,256)
我想通过torch.cat把它们连接起来，但是它们应该是相同的形状和大小。所以我得到了这个错误：
RuntimeError:张量必须具有相同的维数: got 2和3
我该怎么做才能解决这个问题？如何将二维PyTorch张量转换为三维张量，或者如何在不丢失任何数据的情况下将三维PyTorch张量转换成二维张量？或者其他的想法？
浏览 5提问于2021-12-07得票数 0
回答已采纳
我是Pytorch的新手。 假设我有一个形状为torch.size([1, 25200, 11])的张量 我想把它分成3个较小的张量，每个张量都有第一个形状。torch.size([1, 3, 80, 80, 11])和第二个torch.size([1, 3, 40, 40 , 11])和3rd torch.size([1, 3, 20, 20, 11)]. 非常感谢你的帮助。 谢谢 解释这些数字： 80x80x3 = 19200 40x40x3 = 4800 20x20x3=1200，将这些结果相加，我们得到25200，1是批量大小，11是类别+ xywh
浏览 15提问于2021-06-22得票数 1
回答已采纳
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？
浏览 1786提问于2019-07-03得票数 5
我很难在PyTorch中找到关于重塑的信息。Tensorflow非常简单。 我的张量的形状是torch.Size([3, 480, 480])。我想把它转换成一个形状为1,3,480,480的四维张量。我该怎么做？
浏览 838提问于2019-10-09得票数 0
回答已采纳
1回答
串联火炬张量
、、
我在PyTorch中有两个张量，如下：
a.shape, b.shape
# (torch.Size([512, 28, 2]), torch.Size([512, 28, 26]))
我的目标是将它们连接/合并/连接在一起，以便得到形状：(512，28，28)。
我试过：
torch.stack((a, b), dim = 2).shape
torch.cat((a, b)).shape
但它们似乎都不起作用。
我使用的是PyTorch版本: 1.11.0和Python3.9。
帮助?
浏览 2提问于2022-05-18得票数 1
回答已采纳
我正在尝试找到一种不使用for循环的方法。 假设我有一个多维张量t0 bs = 4
seq = 10
v = 16
t0 = torch.rand((bs, seq, v)) 它的形状是：torch.Size([4, 10, 16]) 我有另一个张量labels，它是seq维度中的一批5个随机索引： labels = torch.randint(0, seq, size=[bs, sample]) 这是shape torch.Size([4, 5])。用于对t0的seq维度进行索引。 我想做的是循环批量维度，使用labels张量进行聚集。我的暴力解决方案是这样的： t1 = torch.em
浏览 41提问于2021-01-26得票数 0
我有下面的代码。
embedded = self.embedding(input).view(1, 1, -1)
embedded = self.drop(embedded)
print(embedded[0].size(), hidden[0].size())
concatenated_output = torch.cat((embedded[0], hidden[0]), 1)
代码的最后一行给出了以下错误。
/data/users/soumith/miniconda2/conda-bld/pytorch-0.1.9_1487344852722/work/torch/lib/THC/ge
浏览 1提问于2017-03-17得票数 3
回答已采纳
我正在启动一个使用PyTorch的图像分割项目。我有一个减少的数据集在一个文件夹和两个子文件夹-“图像”来存储图像和蒙面图像的“掩码”。图像和掩码是具有3个通道和256像素的.png文件。因为它是图像分割，标签必须执行一个像素一个像素。为了简单起见，我现在只使用两个类。到目前为止，我取得了以下成绩：
我能够通过以下方式将文件加载到类“图像”或“掩码”中
root_dir="./images_masks"
train_ds_untransf = torchvision.datasets.ImageFolder(root=root_dir)
train_ds_untransf.cl
浏览 0提问于2019-02-05得票数 1
1回答
我有一个形状为：torch.size([6000, 30, 30, 9])和torch.size([6000, 8100])的pytorch张量，因此我从包含30个元素的6000个元素转换为包含9个元素的6000个元素，再将包含8100个元素的6000个元素转化为6000个元素。我怎样才能做到这一点？
浏览 2提问于2021-12-13得票数 0
回答已采纳
我是PyTorch和张量数据的新手。我有一个关于张量形状转换的问题。
我有两个问题。
首先，如果我有一个torch.Size([8, 512, 16, 16])张量，并且我想把它转换成torch.Size([8, 256, 32, 32])，它是原来张量的两倍，我该怎么办？
第二，如果我有一个torch.Size([8, 256, 32, 32])张量，并且我想把它转换成torch.Size([8, 512, 16, 16])，它是原始张量的一半，我该怎么办？
在第一个问题中，我尝试过用ZeroPadding2D(8)函数将它重塑为torch.Size([8, 512, 32, 32])，但我
浏览 1提问于2019-06-24得票数 2
回答已采纳
1回答
我在Pytorch中创建了一个完全连接的网络，其中包含一个输入层的形状(1,784)和第一个隐藏层的shape (1,256)。简短：nn.Linear(in_features=784, out_features=256, bias=True)
方法1：model.fc1.weight.data.shape给我torch.Size([128, 256])，而
方法2：list(model.parameters())[0].shape给我torch.Size([256, 784])
实际上，在大小为784的输入层和大小为256的隐藏层之间，我期待的是形状(784,256)的矩阵。所以，在第一种情
浏览 9提问于2020-04-30得票数 0
回答已采纳
3回答
仅用一维索引多维张量
、、、
我有一个PyTorch张量b，形状是：torch.Size([10, 10, 51])。我希望使用numpy数组在维度d=1 (中间的)中的10个可能元素中选择一个元素：a = np.array([0,1,2,3,4,5,6,7,8,9])。这只是一个随机的例子。
我想这么做：b[:,a,:]，但这不起作用
浏览 5提问于2021-10-04得票数 0
1回答
我是pytorch的新手，我正在尝试在dataloader中创建数据，我的代码看起来像这样：
a=[]
.. within a for loop
self.a.append(torch.stack([b[ith_idx][j], \
b[ith_idx][rnd_dist], \
b[rnd_cls_idx][rnd_dist_rnd_cls]]\
))
self.c.append([1,0])
其中，b是张量的python列表。例如，b的第一个元素具有形状torch.Size([46, 3, 512, 512]) (3个通道512 x 512)。
self.a = torch
浏览 15提问于2020-05-19得票数 0
回答已采纳
我对PyTorch的张量调整选项有异议。在下面的代码中，x是pokemon的8864x64 RGB图像的数据集。xs是同一数据集的字典，具有不同的分辨率。
def load_data():
pokemon = []
for png in os.listdir("pokemon"):
pokemon.append(imageio.imread("pokemon/" + png))
pokemon = np.array(pokemon)
s = pokemon.shape
pokemon = pokemon.r
浏览 2提问于2020-12-04得票数 3
在PyTorch中有两个张量，z是形状(n_samples, n_features, n_views)的三维张量，其中n_samples是数据集中的样本数，n_features是每个样本的特征数，n_views是描述相同(n_samples, n_features)特征矩阵的不同视图数，但与其他值相同。
我有另一个二维张量b，形状为(n_samples, n_views)，它的目的是在不同的视图中重新描述样本的所有特征。换句话说，它封装了同一个示例每个视图的特性的重要性。例如：
import torch
z = torch.Tensor(([[2,3], [1,1], [4,5]],
浏览 0提问于2021-06-07得票数 2
回答已采纳
我在PyTorch中发现了一行用于将3D张量简化为2D张量的代码。3D张量x的大小为torch.Size([500, 50, 1])，下面这行代码：
x = x[lengths - 1, range(len(lengths))]
用于将x简化为大小为torch.Size([50, 1])的2D张量。lengths也是包含值的shape torch.Size([50])的张量。
有谁能解释一下这是怎么工作的吗？谢谢。
浏览 1提问于2020-02-13得票数 3
1回答
我有以下两个PyTorch张量A和B。
A = torch.tensor(np.array([40, 42, 38]), dtype = torch.float64)
tensor([40., 42., 38.], dtype=torch.float64)
B = torch.tensor(np.array([[[1,2,3,4,5],[1,2,3,4,5],[1,2,3,4,5],[1,2,3,4,5],[1,2,3,4,5]], [[4,5,6,7,8],[4,5,6,7,8],[4,5,6,7,8],[4,5,6,7,8],[4,5,6,7,8]], [[7,8,9,10,11],[7
浏览 1提问于2020-12-03得票数 0
回答已采纳
具体来说，我有一个形状张量：torch.Size([1, 16]) 我想把这个分成7个桶(每个桶4个)。示例： [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16] 应该变成： [[1, 2, 3, 4],
[3, 4, 5, 6],
[5, 6, 7, 8],
[7, 8, 9, 10],
[9, 10, 11, 12],
[11, 12, 13, 14],
[13, 14, 15, 16],
] 我如何使用PyTorch实现这一点？
浏览 18提问于2020-10-14得票数 2
回答已采纳
1回答
我正在尝试实现grad-camm算法：
我的论点是：
激活:具有形状torch.Size([1, 512, 14, 14])的张量
alpha值:具有形状torch.Size([512])的张量
我想要将每个激活(在维度索引1(大小为512 )中)乘以每个对应的alpha值:例如，如果激活中512的第i个索引是4，第i个alpha值是5，那么我的新的第i个激活将是20。
输出的形状应该是torch.Size(1512，14，14)
浏览 0提问于2020-12-29得票数 0
2回答
我最近开始学习pyTorch，我从火炬社区搬来，因为我喜欢Python。
我在pyTorch.Any的洞察力中遇到了这种奇怪的行为，因为我们会很感激为什么会发生这种情况。
x=torch.Tensor(10,1).fill_(1)
y=torch.Tensor(10).fill_(2)
print(x.size()) #output is torch.Size([10, 1])
print(y.size()) #output is torch.Size([10])
z=x+y
z.size()
z.size() #output is torch.Size
浏览 6提问于2017-12-18得票数 1
回答已采纳
1回答
我有一个尺寸为torch.Size([1443747, 128])的火把张量。让我们把它命名为张量A。在这个张量中，128表示一批大小。我还有一个尺寸为torch.Size([1443747])的一维张量。我们叫它B吧。我想用A对B进行元素乘法，使B与张量A的所有128列相乘(显然是以一种按元素的方式)。换句话说，我想沿dimension=1广播按元素进行的乘法。我怎样才能在火把上做到这一点呢？
它不涉及张量A (batch size = 1)的批次大小，那么普通的*算子可以很容易地进行乘法。然后A*B就会产生torch.Size([1443747])大小的乘积张量。然而，我不明白为什么比戈雷
浏览 5提问于2020-07-17得票数 1
回答已采纳
1回答
我有5个形状torch.Size([7, 20, 180])的张量 我想让它们交错，一个接一个地沿着dim=1。这样我的最终形状就是torch.Size([7, 100, 180])了。 基本上，我想要第一个张量中的第一个元素，然后是第二个张量中的第一个元素，依此类推。
浏览 24提问于2020-03-26得票数 1
回答已采纳
same_digit_imgs = torch.empty(0, 1, 28, 28)
for digit in range(10):
similar_img = create_interpolates(similar_pairs[digit][0], similar_pairs[digit][1], encoder, decoder)
print(type(similar_img), similar_img.shape)
similar_img = similar_img.view(similar_img.shape[1], similar_img.shape[2], simi
浏览 53提问于2019-04-22得票数 0
我有一个形状为torch.Size([4, 161, 325])的张量。如何删除dim=2上的第一个元素，使得到的张量具有torch.Size([4, 161, 324])的形状
浏览 69提问于2020-04-09得票数 1
回答已采纳
1回答
我有一个形状"torch.Size(2，2，3)“的张量和形状"torch.Size([2, 1, 3])”的另一个张量。我想要一个"torch.Size([2, 2, 6])“形状的级联张量。
例如：
a=torch.tensor([[[2,3,5],[12,13,15]],[[20,30,50],[120,130,150]]])
b=torch.tensor([[[99,99,99]],[[999,999,999]]])
我希望输出为：[[[99,99,99,2,3,5],[99,99,99,12,13,15]],[[999,999,999,20,30,50],[9
浏览 0提问于2021-03-22得票数 1
回答已采纳
我创建了一个代码，用卷积神经网络生成带有形状(12,12)的彩色图像分析矩阵。我的脚本的输入是形状为的(5,3,12,12)张量。我使用detach().numpy()去掉了值5和3。
剧本：
for k in range(5):
for l in range(3):
y=x[k][l].detach().numpy()
m,n= y.shape
im=np.pad(y,((1,1),(1,1)),'constant')
浏览 4提问于2021-07-13得票数 0
回答已采纳
我有一个大小为：torch.Size([118160, 1])的张量。我想做的是把它分成n个张量，每个张量有100个元素，一次滑动50个元素。使用PyTorch实现这一点的最佳方法是什么？
浏览 29提问于2020-02-11得票数 3
回答已采纳
我有两个张量：
outputs: torch.Size([4, 27, 161]) pred: torch.Size([4, 30, 161])
我想削减pred (从结尾)，以便它将有相同的尺寸与outputs。
用PyTorch做这件事最好的方法是什么？
浏览 7提问于2020-04-09得票数 7
回答已采纳
我使用PyTorch在量子计算机上模拟NNs，因此我必须使用带有ComplexFloatTensor数据类型的张量。当我在GPU上运行这一行代码时：
torch.matmul(A.transpose(1,2).flatten(0,1), H.flatten(1,2)).reshape(N,steps,2**n,2**n).transpose(0,1)
当张量很大时，我得到以下错误：
RuntimeError: CUDA error: CUBLAS_STATUS_NOT_SUPPORTED when calling `cublasCgemm( handle, opa, opb, m, n, k,
浏览 14提问于2022-01-12得票数 1
回答已采纳
我有一个尺寸为torch.Size([3])的张量A和尺寸为torch.Size([4,3])的另一个张量B。
我想找出A和B的4行之间的距离。
我对Torch很陌生，我认为每个行都有一个for循环是没有效率的。我研究过torch.linalg.norm和torch.cdist，但我不确定它们是否解决了我的问题，除非我遗漏了什么。
浏览 6提问于2022-09-11得票数 -1
1回答
我有两个PyTorch张量A，形状30，11，32，64和B，形状30，11，89。我的目标是创建一个形状为30，11，89，32，64的张量C，其中张量A应该扩展并在第三维复制，然后在适当的维度与张量B相乘。 如何在PyTorch中实现这一点？
浏览 21提问于2020-01-14得票数 1
1回答
我有多个火炬张量，形状如下 x1 = torch.Size([1, 512, 177])
x2 = torch.Size([1, 512, 250])
x3 = torch.Size([1, 512, 313]) 我如何在最后一个维度上用0填充所有这些张量，以获得一个独特的形状，如(1,512,350)。 我尝试做的是将它们转换成NumPy数组，并使用这两行代码： if len(x1) < 350:
ff = np.pad(f, [(0, self.max_len - f.shape[0]), ], mode='constant')
浏览 15提问于2021-10-21得票数 0
回答已采纳
在tensorflow/keras中，我们可以简单地在分类/完全连接/激活(softmax/sigmoid)层之前为最后一个LSTM层设置return_sequences = False，以消除时间维。
在PyTorch中，我没有发现类似的东西。对于分类任务，我不需要序列来对模型进行排序，而是需要像这样的多到一个体系结构：
这是我的简单的双LSTM模型。
import torch
from torch import nn
class BiLSTMClassifier(nn.Module):
def __init__(self):
super(BiLSTMCl
浏览 4提问于2020-06-04得票数 9
回答已采纳
我有一个火炬张量形状，torch.Size(1,16384，3)，我希望它是torch.Size(1,128,128，3)。 我该怎么做呢？
浏览 106提问于2021-07-13得票数 0
回答已采纳
我正在尝试将数值数据的张量与resnet-50模型的输出张量连接起来。该模型的输出是张量形状torch.Size([10,1000])，数值数据是张量形状torch.Size([10, 110528,8])，其中10是批量大小，110528是数据帧意义上的观测值的数量，8是数据帧意义上的列数。我需要将数值张量重塑为torch.Size([10,8])，这样它才能正确连接。 我该如何重塑张量呢？
浏览 31提问于2019-12-27得票数 0
回答已采纳
我的输入张量看起来是：
torch.Size([8, 23])
// where,
// 8 -> batch size
// 23 -> words in each of them
我的输出张量看起来如下：
torch.Size([8, 23, 103])
// where,
// 8 -> batch size
// 23 -> words predictions
// 103 -> vocab size.
我想计算这个任务的稀疏交叉熵损失，但是我不能，因为PyTorch只计算单个元素的损失。我怎么编码它才能工作呢？谢谢你的帮助。
浏览 2提问于2020-09-03得票数 1
我试图从一个构建在PyTorch中的简单网络中提取权重和偏差。我的整个网络是由nn.Linear层组成的。当我通过调用nn.Linear(in_dim, out_dim)创建一个层时，我希望调用该模型的model.parameters()获得的参数是形状的，(in_dim, out_dim)表示权重，(out_dim)表示偏差。然而，从model.parameters()中得出的权重不是形状(out_dim, in_dim)。
我的代码的意图是能够使用矩阵乘法来执行向前通过仅使用numpy，而不是任何PyTorch。由于形状不一致，矩阵乘法会抛出一个错误。我怎么才能解决这个问题？
这是我的确切
浏览 0提问于2018-11-24得票数 2
回答已采纳
我有张量列表，每个张量都有不同的大小，如何使用pytroch将这个张量列表转换为张量 更多信息我的列表包含张量每个张量都有不同的大小例如第一个张量的大小是torch.Size(76080，38) 其他张量的形状在第二个元素中可能不同，例如列表中的第二个张量是torch.Size(76080，36) 当我使用torch.tensor(x)时，我得到一个错误ValueError:只有一个元素张量可以转换为Python标量
浏览 142提问于2019-03-08得票数 14
回答已采纳
当我使用均方误差损失时，我有一个输入张量X和一个形状相同的torch.Size([3, 1, 20, 20])的目标张量y，它给了我一个警告：
Using a target size (torch.Size([3, 1, 20, 20])) that is different to the input size (torch.Size([3, 1]))
但输入形状是torch.Size([3, 1, 20, 20])吗？
然后我得到了一个错误：
RuntimeError: The size of tensor a (3) must match the size of tensor b (20
浏览 7提问于2022-05-11得票数 0
1回答
火炬张量形状
、、、
关于两个不同张量的形状，我有一个简单的问题- tensor_1和tensor_2。
tensor_1.shape输出torch.Size([784, 1]);tensor_2.shape输出torch.Size([784]).
我知道第一个是第二个张量，而第二个是第一个。对我来说，很难概念化shape [784, 1]和[784]之间的区别。
认为tensor_1有784行和1列，每个地方都有一个标量，这是正确的吗？如果是这样的话，为什么我们不能简单地称它为列向量(实际上是秩-1张量)，它的值也是垂直显示的？
同样，第二张量([784])的形状可以想象为水平向量内的784个值吗？
浏览 0提问于2021-02-17得票数 4
1回答
我正在使用Pytorch尝试创建一个四维张量(二进制掩码)，使用三维张量的“堆栈”，每个张量包含二进制掩码。
三维张量具有在704宽和1080高的二进制掩模中的一些分割对象的n个实例。
假设我有三个这样的三维张量。它们的大小都是n, 704 , 1080，其中n是帧的单个掩码(因此，单个二进制掩码)的数量，704是高度，1080是宽度：
t1.size = torch.Size([9, 704, 1280])
t2.size = torch.Size([12, 704, 1280])
t3.size = torch.Size([10, 704, 1280])
我想通过添加第四个维度来创建它们的
浏览 1提问于2020-04-28得票数 0
我正在尝试实现一个注意模型，但是未能执行matmul
torch.matmul(att, v)
att和V的形状是：
att shape:torch.Size([20, 3, 128, 128])
v shape:torch.Size([20, 3, 128, 100])
我犯了这样一个错误：
RuntimeError:预期张量在维度1处为100，而参数#2‘batch2’则为128号(同时检查bmm的参数)
我还尝试通过torch.randn生成两个形状相同的张量，并重复相同的操作，没有错误。我不知道是什么造成了这样的错误
浏览 3提问于2020-04-29得票数 0
这个问题可能不清楚，因此请在评论中要求澄清，我将进一步阐述。
我有以下张量的形状：
mask.size() == torch.Size([1, 400])
clean_input_spectrogram.size() == torch.Size([1, 400, 161])
output.size() == torch.Size([1, 400, 161])
mask仅由0和1组成。因为它是一个掩码，所以我希望将output的元素设置为clean_input_spectrogram，其中相关的mask值是1。
我该怎么做？
浏览 3提问于2020-03-28得票数 2
回答已采纳
1回答
Pytorch如何增加批量大小
、、、、
我目前有一个张量torch.Size(1，3,256,224)，但我需要它是输入形状32，3,256,224。我正在实时捕获数据，所以dataloader似乎不是一个好的选择。有没有什么简单的方法可以获取32个大小为torch.Size(1，3,256,224)的张量，并将它们组合成一个大小为32，3,256,224的张量
浏览 14提问于2020-07-19得票数 0
我想要用BoolTensor指数来分割Pytorch中的多维张量。对于索引张量，我期望保留指数为真的部分，而指数为假的部分被切片。
我的代码就像
import torch
a = torch.zeros((5, 50, 5, 50))
tr_indices = torch.zeros((50), dtype=torch.bool)
tr_indices[1:50:2] = 1
val_indices = ~tr_indices
print(a[:, tr_indices].shape)
print(a[:, tr_indices, :, val_indices].shape)
我希望a[:
浏览 2提问于2021-05-26得票数 1
回答已采纳
2回答
我有一组张量，我正在填充pad_sequence，但我需要保证它们的固定长度。我现在不能这么做，因为pad_sequence会把较短的张量延长到最长，如果那个最长的张量达不到我想要的长度，我就完了。我认为一个解决方案可能是将零添加到padd的一个张量，直到我想要的长度，所以填充的结果将有我想要的长度。我不知道怎么做
那么，假设我有一个形状为torch.Size([44])的张量，并且期望长度为50，我如何向它添加零以达到torch.Size([50])的形状？无论初始张量形状如何，这都需要保持。
浏览 0提问于2021-06-03得票数 4
回答已采纳
1回答
我正在尝试实现和训练，但当我试图使用来训练模型时，我陷入了困境。
根据原来的U-网模型，网络输出2通道的图像，大小为388×388.因此，我的训练数据加载器生成一个张量，其大小为批处理，channels=1，width=572，height=572用于输入图像，批处理，channels=2，width=388，width=388用于目标/输出图像。
实际上，我的问题是，当我试图使用nn.CrossEntropyLoss()时，会引发以下错误：
无效参数3:仅支持批量空间目标(3D张量)，但在/opt/conda/conda-bld/pytorch_1556653099582/work/ate
浏览 0提问于2019-06-26得票数 3
回答已采纳
有一个随机初始化火炬张量的形状如下。
输入
tensor1 = torch.rand((4,2,3,100))
tensor2 = torch.rand((4,2,3,100))
tensor1和tensor2分别是具有24个100维矢量的火炬张量.
通过得到两个张量指数相同的向量之间的欧氏距离，得到一个形状为torch.size([4,2,3])的张量。
我用dist = torch.nn.functional.pairwise_distance(tensor1, tensor2)来得到我想要的结果。
然而，pairwise_distance函数计算张量的第二维欧氏距离。所以dist形状是t
浏览 21提问于2021-07-02得票数 2
回答已采纳
我有一个大小为：torch.Size([1, 305760])的张量 因为305760不能被400整除，所以我想把大小改为：[1, 306000]，用0填充剩余的空格。我怎样才能用PyTorch做到这一点？
浏览 29提问于2020-10-14得票数 2
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
对象存储
云直播活动推荐
腾讯云开发者
