asp文件怎么做网站电商仓储代发招商合作

asp文件怎么做网站,电商仓储代发招商合作,北流市建设局网站,长沙景点前言张量#xff08;Tensor#xff09;是PyTorch的核心数据结构#xff0c;掌握其高频操作是入门PyTorch的关键。本文精选10个最常用的张量操作#xff0c;按「运算、索引切片、设备迁移」三大类整理#xff0c;所有代码均可直接运行#xff0c;结果直观易懂。一、张量运…前言张量Tensor是PyTorch的核心数据结构掌握其高频操作是入门PyTorch的关键。本文精选10个最常用的张量操作按「运算、索引切片、设备迁移」三大类整理所有代码均可直接运行结果直观易懂。一、张量运算3 个核心操作1. 算术运算加减乘除PyTorch张量支持直观的算术运算可直接用运算符、-、*、/或对应函数运算规则与NumPy类似。import torch # 初始化两个张量 a torch.tensor([1, 2, 3]) b torch.tensor([4, 5, 6]) # 算术运算 add a b # 加法 sub a - b # 减法 mul a * b # 乘法元素级 div a / b # 除法元素级 print(加法结果, add) print(减法结果, sub) print(乘法结果, mul) print(除法结果, div)运行结果加法结果 tensor([5, 7, 9]) 减法结果 tensor([-3, -3, -3]) 乘法结果 tensor([ 4, 10, 18]) 除法结果 tensor([0.2500, 0.4000, 0.5000])2. 矩阵乘法torch.matmul矩阵乘法是深度学习核心运算如神经网络全连接层需注意张量维度匹配torch.matul支持标量、向量、矩阵的乘法兼容性优于torch.mm。# 二维矩阵乘法核心场景 x torch.tensor([[1, 2], [3, 4]]) # 2×2 y torch.tensor([[5, 6], [7, 8]]) # 2×2 matmul_2d torch.matmul(x, y) # 向量×矩阵广播兼容 vec torch.tensor([1, 2]) # 1×2 matmul_vec_mat torch.matmul(vec, x) print(二维矩阵乘法\n, matmul_2d) print(向量×矩阵, matmul_vec_mat)运行结果二维矩阵乘法 tensor([[19, 22], [43, 50]]) 向量×矩阵 tensor([ 7, 10])3. 广播机制当两个张量维度不同时PyTorch会自动扩展维度较小的张量不复制数据使其匹配维度较大的张量这就是广播是简化运算的核心机制。# 示例1一维张量3,与标量广播 c torch.tensor([1, 2, 3]) scalar torch.tensor(5) broadcast1 c scalar # 示例2二维张量2,3与一维张量3,广播 d torch.tensor([[1, 2, 3], [4, 5, 6]]) e torch.tensor([10, 20, 30]) broadcast2 d e print(标量广播结果, broadcast1) print(维度扩展广播结果\n, broadcast2)运行结果标量广播结果 tensor([6, 7, 8]) 维度扩展广播结果 tensor([[11, 22, 33], [14, 25, 36]])二、索引与切片3 个核心操作1. 普通索引与Python列表、NumPy数组索引规则一致通过「维度下标」取值支持单元素、连续区间索引。# 初始化3维张量2×3×4 tensor torch.arange(24).reshape(2, 3, 4) print(原始张量\n, tensor) # 普通索引取第0个维度、第1行、第2列的元素 single_elem tensor[0, 1, 2] # 切片取第1个维度的所有行第0-2列左闭右开 slice_part tensor[1, :, 0:2] print(单元素索引结果, single_elem) print(切片结果\n, slice_part)运行结果原始张量 tensor([[[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]], [[12, 13, 14, 15], [16, 17, 18, 19], [20, 21, 22, 23]]]) 单元素索引结果 tensor(6) 切片结果 tensor([[12, 13], [16, 17], [20, 21]])2. 高级索引通过「索引张量」取不连续的元素索引张量需为torch.long类型适用于随机取值场景。# 初始化2维张量 t torch.tensor([[1, 2], [3, 4], [5, 6]]) print(原始张量\n, t) # 高级索引取第0行第1列、第2行第0列的元素 row_idx torch.tensor([0, 2]) # 行索引 col_idx torch.tensor([1, 0]) # 列索引 advanced_idx t[row_idx, col_idx] print(高级索引结果, advanced_idx)运行结果原始张量 tensor([[1, 2], [3, 4], [5, 6]]) 高级索引结果 tensor([2, 5])3. 掩码索引通过布尔张量掩码筛选满足条件的元素是深度学习中筛选数据的常用方式如过滤无效值。# 初始化张量 mask_tensor torch.tensor([10, 2, 15, 3, 20]) print(原始张量, mask_tensor) # 生成掩码筛选大于5的元素 mask mask_tensor 5 # 掩码索引取值 masked_result mask_tensor[mask] print(掩码布尔张量, mask) print(掩码索引结果, masked_result)运行结果原始张量 tensor([10, 2, 15, 3, 20]) 掩码布尔张量 tensor([ True, False, True, False, True]) 掩码索引结果 tensor([10, 15, 20])三、张量设备迁移4 个核心操作PyTorch张量可在CPU和GPU之间迁移核心用to()方法需先确认GPU可用无GPU则自动用CPU。# 1. 初始化CPU张量 cpu_tensor torch.tensor([1, 2, 3]) print(初始设备, cpu_tensor.device) # 2. CPU → GPU若有GPU if torch.cuda.is_available(): gpu_tensor cpu_tensor.to(cuda) # 等价于 to(torch.device(cuda)) print(GPU设备, gpu_tensor.device) # 3. GPU → CPU back_to_cpu gpu_tensor.to(cpu) print(迁回CPU设备, back_to_cpu.device) # 4. 直接指定设备编号多GPU场景 gpu1_tensor cpu_tensor.to(cuda:0) print(指定GPU编号设备, gpu1_tensor.device) else: print(无可用GPU仅演示CPU张量)运行结果有GPU初始设备 cpu GPU设备 cuda:0 迁回CPU设备 cpu 指定GPU编号设备 cuda:0运行结果无GPU初始设备 cpu 无可用GPU仅演示CPU张量总结张量运算算术运算为元素级torch.matmul是矩阵乘法核心广播机制可自动扩展维度匹配运算索引切片普通索引对标列表操作高级索引取不连续元素掩码索引通过布尔张量筛选数据设备迁移to()方法是核心通过指定CPU/cuda实现张量在CPU/GPU间迁移需先判断GPU可用性。