这里写目录标题创建张量:张量形状和维度操作:张量索引与切片:张量运算:Autograd操作:逐元素操作归并函数比较线性代数以下是一些常见的张量操作示例：创建张量:importtorchx=torch.tensor([1,2,3])#从列表创建张量y=torch.zeros(2,3)#创建一个全零张量z=torch.randn(3,3,requires_grad=True)#创建一个正态分布张量并启用梯度追踪张量形状和维度操作:x.size()#获取张量的形状y.shape#获取张量的形状（和size()相同）y.dim()#获取张量的维度y.view(3,2)#改变张量的形状y.unsquee
分类目录：《深入浅出TensorFlow2函数》总目录返回一个数据集，其元素是给定张量的切片。给定的张量沿着它们的第一维度进行切片。此操作保留输入张量的结构，删除每个张量的第一个维度并将其用作数据集维度。所有输入张量在其第一维度上必须具有相同的大小。语法@staticmethodfrom_tensor_slices(tensors,name=None)参数tensors:数据集元素，其组件具有相同的第一维度。此处记录了支持的值。name:[可选]操作的名称返回值一个Dataset。实例输入：#Slicinga1Dtensorproducesscalartensorelements.datase
Tensor加法：a=torch.tensor([1,2,3])b=torch.tensor([4,5,6])c=a+bprint(c)#tensor([5,7,9])c=torch.add(a,b)print(c)#tensor([5,7,9])c=a.add(b)print(c)#tensor([5,7,9])Tensor减法：a=torch.tensor([1,2,3])b=torch.tensor([4,5,6])c=a-bprint(c)#tensor([-3,-3,-3])c=torch.sub(a,b)print(c)#tensor([-3,-3,-3])c=a.sub(b)pr
一、torch.tensor二、torch.FloatTensor之前遇到转为tensor转化为浮点型的问题，今天整理下，我只讲几个我常用的，如果有更好的方法，欢迎补充一、torch.tensor1.首先讲下torch.tensor，默认整型数据类型为torch.int64，浮点型为torch.float322.这是我认为平常最爱用的转数据类型的方法，可以用dtype去定义数据类型二、torch.FloatTensor1.这个函数不要乱用，首先它可以将变量转化为浮点型32位，这里注意此时的变量类型为列表，或数组等，此时参数为单个变量2.当函数参数为整形时，表示生成矩阵的维度，此时参数可以为多个
当我们的数据有部分在GPU上运行，有部分在CPU上运行时会报这个错，一般有GPU的话都会选择在GPU上面跑模型，但要注意将其他定义的对象也放在GPU上面，否则应该默认是在CPU上面。如图所示，x是从GPU中传过来的，但idx不是，idx是我们自己生成的，它默认放在CPU中，所以我们需要也把它放到GPU中，解决方法：加.to(DEVICE)其中DEVICE已定义。具体解决办法：在loss.py文件中增加下图中第一行，修改下面二三行1.device=targets.device2.from_which_layer.append((torch.ones(size=(len(b),))*i).to(t
1.查看tensor所在的设备：data=data.cuda()#将数据转移到gpu上print(data.device)#输出：cuda:0data=data.cpu()#将数据转移到cpu上print(data.device)#输出：cpu2.查看model所在的设备model=model.cuda()#将模型转移到gpu上print(next(model.parameters()).device)#输出：cuda:0model=model.cpu()#将模型转移到cpu上print(next(model.parameters()).device)#输出：cpu3.Pytorch中将模型和
在用pytorch进行损失函数计算时，报错误：RuntimeError:BooleanvalueofTensorwithmorethanonevalueisambiguous翻译过来就是说：具有多个值的张量的布尔值不明确 我是这报错：x=Variable(x_data).cuda()y=Variable(y_data).cuda()out=model(x)loss=criterion(out,y)啥意思？，你问我，我也不知道呀！、、、 错误原因分析：其实是，因为我损失函数调用时没有初始化，所以导致报错其实我是初始化了，但是因为没有+（），所以报错了criterion=nn.BCELoss在后面
想要数据集请点赞关注收藏后评论区留言留下QQ邮箱k-means具体是什么这里就不再赘述，详情可以参见我这篇博客k-means问题描述：银行对客户信息进行采集，获得了200位客户的数据，客户特征包括以下四个1：社保号码2：姓名 3：年龄4：存款数量使用k-means算法对客户进行分组，生成各类型客户的特点画像肘部折线图如下 tips：利用肘部方法可以找到最佳的簇数，即看那个点之后逐渐收敛，则那个点为最优的簇数由下图可以得知k=3或k=4时比较好分类出的画像图如下，可以清楚的看出不同客户的画像 源码如下#-*-coding:utf-8-*-importnumpyasnpimportmatplotl
问题产生的原因是使用nn.CrossEntropyLoss()来计算损失的时候，target的维度超过4importtorchimporttorch.nnasnnlogit=torch.ones(size=(4,32,256,256))#b,c,h,wtarget=torch.ones(size=(4,1,256,256))criterion=nn.CrossEntropyLoss()loss=criterion(logit,target)如实target中的C不是1，则可以：importtorchimporttorch.nnasnnlogit=torch.ones(size=(4,32,25
YOLOV5中报错：RuntimeError:Thesizeoftensora(60)mustmatchthesizeoftensorb(56)atnon-singletondimension3YOLOV5最近在学习YOLOV5的时候，刚开始遇到了如下的问题：RuntimeError:Thesizeoftensora(60)mustmatchthesizeoftensorb(56)atnon-singLetondimension3原因分析：这可能是因为5.0的工程下载了个6.1的模型，所以不匹配解决方案：yolov5s.pt[https://github.com/ultralytics/yol
