tensor转list（tensor转图片）

本文目录一览：

• 1、list传入cuda()
• 2、pytorch动态计算图有什么好处
• 3、张量常用函数
• 4、mindspore的tensor与numpy数据类型转换问题？

list传入cuda()

可以指定CPU 或者GPU

tensor转list（tensor转图片）

.cuda() 只能指定GPU

由于列表list没有cuda属性，要转为tensor

本人笔记本所带的GPU是GTX 1650

-Returns the number of GPUs ailable

Returns the index of a currently selected device

5.1法一 在进行tensor变量命名的时候定义好DEVICE即可

5.2法二 提前在外部定义好cuda，然后每次定义tensor的时候直接引用变量

应用tensor.to(device) 其中device应该是torch.device的对象

在网络计算中，参与计算的主要是两个部分，一个是模型的参数，一个是实际输入的训练数据。将这两部分的数据都移动到GPU中进行计算才能将网络搬移到GPU中

7.1 module.to(device)的用法

这句话的本质是将某一个模型的参数以tensor的形式输入到device中，这样参数的计算就是在GPU里面了

7.2将训练数据输入到GPU中

pytorch动态计算图有什么好处

可以指定CPU 或者GPU

.cuda() 只能指定GPU

由于列表list没有cuda属性，要转为tensor

本人笔记本所带的GPU是GTX 1650

-Returns the number of GPUs ailable

Returns the index of a currently selected device

5.1法一 在进行tensor变量命名的时候定义好DEVICE即可

5.2法二 提前在外部定义好cuda，然后每次定义tensor的时候直接引用变量

应用tensor.to(device) 其中device应该是torch.device的对象

在网络计算中，参与计算的主要是两个部分，一个是模型的参数，一个是实际输入的训练数据。将这两部分的数据都移动到GPU中进行计算才能将网络搬移到GPU中

7.1 module.to(device)的用法

这句话的本质是将某一个模型的参数以tensor的形式输入到device中，这样参数的计算就是在GPU里面了

7.2将训练数据输入到GPU中

TensorFlow中，可以通过张量的ndim和shape成员属性获得张量的维度数和形状。

加、减、乘、除 tf.add() tf.subtract() tf.multiply() tf.divide()

矩阵相乘 tf.matmul(a,b)

指数 tf.pow(x,a) xa

自然指数 tf.exp(x)

自然对数 tf.math.log(x)

平方 tf.square(x)

平方根 tf.sqrt(x)

拼接作并不会产生新的维度，仅在现有的维度上合并，而堆叠会创建新维度。

拼接可以通过tf.concat(tensor, axis)函数

堆叠可以通过tf.stack(tesnsors, axis)函数

拼接：设张量A保存了某学校4个班级的成绩册，每个班级35个学生，共8门科目成绩，这张量A的shape为[4,35,8]；同样的方式，张量B保存了其他6个班级的成绩册，shape为[6,35,8]。通过拼接这2份成绩册，便可得到学校所有班级的成绩册，记为张量C，shape为[10,35,8]。

堆叠：如果在合并数据时，希望创建一个新的维度，则需要使用tf.stack作。考虑张量A保存了某个班级的成绩册，shape为[35,8]，张量B保存了另一班级的成绩册，shape为[35,8]。合并这2个班级的数据时，则需要创建一个新维度，定义为班级维度，新维度可以选择放置在任意位置，一般根据大小维度的经验法则，将较大概念的班级维度放置在学生维度之前，这合并后的张量新的shape为[2,35,8]。

输出结果：

1、分割使用tf.split(x, num_or_size_splits, axis)函数， 注意 ：切割后的shape不变

x参数：待分割的张量

num_or_size_splits参数：切割方案。当num_or_size_splits为单个数值时，表示等长切割为10份；当num_or_size_splits为List时，List的每个元素表示每份的长度，如[2,4,2,2]表示切割为4份，每份的长度一次是2，4，2，2

axis参数：指定分割的维度索引号

2、如果希望在某个维度上全部按长度为1的方式分割，还可以使用tf.unstack(x,axis)函数。这种方式是tf.split的一种特殊情况，切割长度固定为1，只需要指定切割维度的索引号即可

输出结果：

1、向量范数：tf.norm(x,ord)

2、通过tf.reduce_max、tf.reduce_min、tf.reduce_mean、tf.reduce_sum函数可以求解出张量在某个维度上的、小、均值、和

3、通过tf.argmax(x,axis)和tf.argmin(x,axis)可以求解在axis轴上，x的值、小值所对应的索引号

填充：tf.pad(x, paddings)函数，参数padding是包含了多个[left, right]的嵌套方案List。 注意： tf.pad函数利用0进行填充。

以28×28大小的图像为例，如果网络层所接受的数据高宽为32×32，这将28×28大小填充到32×32，可以选择在图像矩阵的上下左右方向各填充2个单元

在TensorFlow中，可以通过tf.maximum(x,a)实现数据的下限幅，即x∈[a,+∞)；可以通过tf.minimum(x,a)实现数据的上限幅，即x∈(-∞,a];通过使用tf.clip_by_value(x, min, max)函数实现上下限幅。

pytorch动态计算图有什么好处

1.数据计算 

Torch 自称为神经网络界的 Numpy, 因为他能将 torch 产生的 tensor 放在 GPU 中加速运算 (前提是你有合适的 GPU), 就像 Numpy 会把 array 放在 CPU 中加速运算。Torch和Numpy之间可以进行自由的切换：

import torch import numpy as np np_data = np.arange(6).reshape((2, 3)) torch_data = torch.from_numpy(np_data) tensor2array = torch_data.numpy() print( '\nnumpy array:', np_data, # [[0 1 2], [3 4 5]] '\ntorch tensor:', torch_data, # 0 1 2 \n 3 4 5 [torch.LongTensor of size 2x3] '\ntensor to array:', tensor2array, # [[0 1 2], [3 4 5]] )1234567891011

Pytorch中的数学计算： 

Pytorch中很多的数学计算与numpy中的数学计算函数是相同的

# abs 计算 data = [-1, -2, 1, 2] tensor = torch.FloatTensor(data) # 转换成32位浮点 tensor print( '\nabs', '\nnumpy: ', np.abs(data), # [1 2 1 2] '\ntorch: ', torch.abs(tensor) # [1 2 1 2] ) # sin 三角函数

2.Variable 变量 

Pytorch的Variable相当于一个Wraper，如果你想将数据传送到Pytorch构建的图中，就需要先将数据用Variable进行包装，包装后的Variable有三个attribute：data，creater，grad

张量常用函数

可以指定CPU 或者GPU

.cuda() 只能指定GPU

由于列表list没有cuda属性，要转为tensor

本人笔记本所带的GPU是GTX 1650

-Returns the number of GPUs ailable

Returns the index of a currently selected device

5.1法一 在进行tensor变量命名的时候定义好DEVICE即可

5.2法二 提前在外部定义好cuda，然后每次定义tensor的时候直接引用变量

应用tensor.to(device) 其中device应该是torch.device的对象

在网络计算中，参与计算的主要是两个部分，一个是模型的参数，一个是实际输入的训练数据。将这两部分的数据都移动到GPU中进行计算才能将网络搬移到GPU中

7.1 module.to(device)的用法

这句话的本质是将某一个模型的参数以tensor的形式输入到device中，这样参数的计算就是在GPU里面了

7.2将训练数据输入到GPU中

TensorFlow中，可以通过张量的ndim和shape成员属性获得张量的维度数和形状。

加、减、乘、除 tf.add() tf.subtract() tf.multiply() tf.divide()

矩阵相乘 tf.matmul(a,b)

指数 tf.pow(x,a) xa

自然指数 tf.exp(x)

自然对数 tf.math.log(x)

平方 tf.square(x)

平方根 tf.sqrt(x)

拼接作并不会产生新的维度，仅在现有的维度上合并，而堆叠会创建新维度。

拼接可以通过tf.concat(tensor, axis)函数

堆叠可以通过tf.stack(tesnsors, axis)函数

拼接：设张量A保存了某学校4个班级的成绩册，每个班级35个学生，共8门科目成绩，这张量A的shape为[4,35,8]；同样的方式，张量B保存了其他6个班级的成绩册，shape为[6,35,8]。通过拼接这2份成绩册，便可得到学校所有班级的成绩册，记为张量C，shape为[10,35,8]。

堆叠：如果在合并数据时，希望创建一个新的维度，则需要使用tf.stack作。考虑张量A保存了某个班级的成绩册，shape为[35,8]，张量B保存了另一班级的成绩册，shape为[35,8]。合并这2个班级的数据时，则需要创建一个新维度，定义为班级维度，新维度可以选择放置在任意位置，一般根据大小维度的经验法则，将较大概念的班级维度放置在学生维度之前，这合并后的张量新的shape为[2,35,8]。

输出结果：

1、分割使用tf.split(x, num_or_size_splits, axis)函数， 注意 ：切割后的shape不变

x参数：待分割的张量

num_or_size_splits参数：切割方案。当num_or_size_splits为单个数值时，表示等长切割为10份；当num_or_size_splits为List时，List的每个元素表示每份的长度，如[2,4,2,2]表示切割为4份，每份的长度一次是2，4，2，2

axis参数：指定分割的维度索引号

2、如果希望在某个维度上全部按长度为1的方式分割，还可以使用tf.unstack(x,axis)函数。这种方式是tf.split的一种特殊情况，切割长度固定为1，只需要指定切割维度的索引号即可

输出结果：

1、向量范数：tf.norm(x,ord)

2、通过tf.reduce_max、tf.reduce_min、tf.reduce_mean、tf.reduce_sum函数可以求解出张量在某个维度上的、小、均值、和

3、通过tf.argmax(x,axis)和tf.argmin(x,axis)可以求解在axis轴上，x的值、小值所对应的索引号

填充：tf.pad(x, paddings)函数，参数padding是包含了多个[left, right]的嵌套方案List。 注意： tf.pad函数利用0进行填充。

以28×28大小的图像为例，如果网络层所接受的数据高宽为32×32，这将28×28大小填充到32×32，可以选择在图像矩阵的上下左右方向各填充2个单元

在TensorFlow中，可以通过tf.maximum(x,a)实现数据的下限幅，即x∈[a,+∞)；可以通过tf.minimum(x,a)实现数据的上限幅，即x∈(-∞,a];通过使用tf.clip_by_value(x, min, max)函数实现上下限幅。

mindspore的tensor与numpy数据类型转换问题？

可以指定CPU 或者GPU

.cuda() 只能指定GPU

由于列表list没有cuda属性，要转为tensor

本人笔记本所带的GPU是GTX 1650

-Returns the number of GPUs ailable

Returns the index of a currently selected device

5.1法一 在进行tensor变量命名的时候定义好DEVICE即可

5.2法二 提前在外部定义好cuda，然后每次定义tensor的时候直接引用变量

应用tensor.to(device) 其中device应该是torch.device的对象

在网络计算中，参与计算的主要是两个部分，一个是模型的参数，一个是实际输入的训练数据。将这两部分的数据都移动到GPU中进行计算才能将网络搬移到GPU中

7.1 module.to(device)的用法

这句话的本质是将某一个模型的参数以tensor的形式输入到device中，这样参数的计算就是在GPU里面了

7.2将训练数据输入到GPU中

TensorFlow中，可以通过张量的ndim和shape成员属性获得张量的维度数和形状。

加、减、乘、除 tf.add() tf.subtract() tf.multiply() tf.divide()

矩阵相乘 tf.matmul(a,b)

指数 tf.pow(x,a) xa

自然指数 tf.exp(x)

自然对数 tf.math.log(x)

平方 tf.square(x)

平方根 tf.sqrt(x)

拼接作并不会产生新的维度，仅在现有的维度上合并，而堆叠会创建新维度。

拼接可以通过tf.concat(tensor, axis)函数

堆叠可以通过tf.stack(tesnsors, axis)函数

拼接：设张量A保存了某学校4个班级的成绩册，每个班级35个学生，共8门科目成绩，这张量A的shape为[4,35,8]；同样的方式，张量B保存了其他6个班级的成绩册，shape为[6,35,8]。通过拼接这2份成绩册，便可得到学校所有班级的成绩册，记为张量C，shape为[10,35,8]。

堆叠：如果在合并数据时，希望创建一个新的维度，则需要使用tf.stack作。考虑张量A保存了某个班级的成绩册，shape为[35,8]，张量B保存了另一班级的成绩册，shape为[35,8]。合并这2个班级的数据时，则需要创建一个新维度，定义为班级维度，新维度可以选择放置在任意位置，一般根据大小维度的经验法则，将较大概念的班级维度放置在学生维度之前，这合并后的张量新的shape为[2,35,8]。

输出结果：

1、分割使用tf.split(x, num_or_size_splits, axis)函数， 注意 ：切割后的shape不变

x参数：待分割的张量

num_or_size_splits参数：切割方案。当num_or_size_splits为单个数值时，表示等长切割为10份；当num_or_size_splits为List时，List的每个元素表示每份的长度，如[2,4,2,2]表示切割为4份，每份的长度一次是2，4，2，2

axis参数：指定分割的维度索引号

2、如果希望在某个维度上全部按长度为1的方式分割，还可以使用tf.unstack(x,axis)函数。这种方式是tf.split的一种特殊情况，切割长度固定为1，只需要指定切割维度的索引号即可

输出结果：

1、向量范数：tf.norm(x,ord)

2、通过tf.reduce_max、tf.reduce_min、tf.reduce_mean、tf.reduce_sum函数可以求解出张量在某个维度上的、小、均值、和

3、通过tf.argmax(x,axis)和tf.argmin(x,axis)可以求解在axis轴上，x的值、小值所对应的索引号

填充：tf.pad(x, paddings)函数，参数padding是包含了多个[left, right]的嵌套方案List。 注意： tf.pad函数利用0进行填充。

以28×28大小的图像为例，如果网络层所接受的数据高宽为32×32，这将28×28大小填充到32×32，可以选择在图像矩阵的上下左右方向各填充2个单元

在TensorFlow中，可以通过tf.maximum(x,a)实现数据的下限幅，即x∈[a,+∞)；可以通过tf.minimum(x,a)实现数据的上限幅，即x∈(-∞,a];通过使用tf.clip_by_value(x, min, max)函数实现上下限幅。

pytorch动态计算图有什么好处

1.数据计算 

Torch 自称为神经网络界的 Numpy, 因为他能将 torch 产生的 tensor 放在 GPU 中加速运算 (前提是你有合适的 GPU), 就像 Numpy 会把 array 放在 CPU 中加速运算。Torch和Numpy之间可以进行自由的切换：

import torch import numpy as np np_data = np.arange(6).reshape((2, 3)) torch_data = torch.from_numpy(np_data) tensor2array = torch_data.numpy() print( '\nnumpy array:', np_data, # [[0 1 2], [3 4 5]] '\ntorch tensor:', torch_data, # 0 1 2 \n 3 4 5 [torch.LongTensor of size 2x3] '\ntensor to array:', tensor2array, # [[0 1 2], [3 4 5]] )1234567891011

Pytorch中的数学计算： 

Pytorch中很多的数学计算与numpy中的数学计算函数是相同的

# abs 计算 data = [-1, -2, 1, 2] tensor = torch.FloatTensor(data) # 转换成32位浮点 tensor print( '\nabs', '\nnumpy: ', np.abs(data), # [1 2 1 2] '\ntorch: ', torch.abs(tensor) # [1 2 1 2] ) # sin 三角函数

2.Variable 变量 

Pytorch的Variable相当于一个Wraper，如果你想将数据传送到Pytorch构建的图中，就需要先将数据用Variable进行包装，包装后的Variable有三个attribute：data，creater，grad

（1）自定义loss跟定义一个nn.layer没有本质区别，继承nn.cell。（2）封装WithLossCell是为了方便使用。想根lable，优化器解耦的话，建议参考Model里面的写法，自...