PyTorch 如何理解张量：一维张量、二维张量、行/列向量、矩阵

理解张量，并将张量与线性代数的知识连接起来，我认为最重要的是理解 tensor 的两个属性：shape 和 ndim 。

ndim 表示张量的维度，一维张量的 ndim 值为 1，二维张量的 ndim 值为 2。

shape 表示张量的形状，它的值是一个列表，列表元素个数与张量的维度相等，每一个元素值表示张量在此维度的元素个数。

举例来说：

>>> tensor = torch.randn(3, 2, 2)

>>> tensor

tensor([[[ 1.1070, -1.3736],

         [-1.6743,  1.4504]],

        [[ 0.0119, -0.1400],

         [ 0.5095, -0.8208]],

        [[-1.5840, -0.2786],

         [ 2.3791, -1.4570]]])

>>> tensor.ndim

3

>>> tensor.shape

torch.Size([3, 2, 2])

对于这样一个张量，它有三个维度，shape = 3 × 2 × 2 ，这表示此张量有三个二维张量，每个二维张量中有两个一维张量，每个一维张量中有两个元素。

然后我们从线性代数的角度来理解张量：

由于行向量和列向量都是向量，而向量在 PyTorch 中被抽象为一维张量，因此在 PyTorch 中不区分行向量和列向量，一律都是一维张量。

初学者可能会将 torch.Size(1, n) 的张量认为是行向量，将 torch.Size(n, 1) 的张量认为是列向量，然而这两种张量的 ndim = 2 ，因此它们是二维张量，可以类比为线性代数中的矩阵。甚至于 torch.Size(1, 1) 的张量都是矩阵，因为它是二维张量。

关于 PyTorch 中张量（向量/矩阵）的乘法请看这篇博文。

巴特西

PyTorch 如何理解张量：一维张量、二维张量、行/列向量、矩阵

最新文章

热门文章