在学习《人工智能基础》高中版这本书中，知道计算机眼中的图像其实是一个一个小格子，如果把图像放大，我们就会看到它是由一个一个小格子组成的，每个小格子就是一个色块。如果我们用不同数字来表示不同的颜色，图像就可以表示为一个由数字组成的矩阵阵列，我们成为矩阵。这样就可以在计
Tensors 张量 张量是一种特殊的数据结构，与数组和矩阵非常相似。 在 PyTorch 中，我们使用张量来编码模型的输入和输出，以及模型的参数。 张量类似于 NumPy 的 ndarray，张量可以在 GPU 或其他支持硬件加速器上运行。 事实上，张量和 NumPy 数组通常可以共享相同的底层内存，从而无需复
张量 01 张量的形状 import tensorflow as tf a=tf.constant(4) # 标量a print(a) tf.Tensor(4, shape=(), dtype=int32) b=tf.constant([2.0,3.0,4]) # 向量 print(b) tf.Tensor([2. 3. 4.], shape=(3,), dtype=float32) c=tf.constant([[1,2],[3,4]]) # 2个轴，类比与单通道
pytorch文档说明：\(torch.einsum(\)\(*equation*\)$, $$operands*$$)$ 使用基于爱因斯坦求和约定的符号，将输入operands的元素沿指定的维数求和。einsum允许计算许多常见的多维线性代数阵列运算，方法是基于爱因斯坦求和约定以简写格式表示它们。主要是省略了求和号，总体思路是在箭头
原文：https://www.jianshu.com/p/5ae644748f21 要介绍Tensor这个数据类型，我觉得有必要扯一下数学。 我们都知道： 标量（Scalar）是只有大小，没有方向的量，如1，2，3等 向量（Vector）是有大小和方向的量，其实就是一串数字，如(1,2) 矩阵（Matrix）是好几个向量拍成一排合并而成的一堆数字，如[1,2;3,4]
程序=数据结构+算法 TensorFlow程序=张量数据结构+计算图算法语言 张量和计算图是TensorFlow的核心概念 TensorFlow的基本数据结构是张量Tensor。张量即多维数组。TensorFlow的张量和NumPy中的ndarray很类似 从行为特性来看，有两种类型的张量，常量constant和变量Variable 常量的值
扩展——向量矩阵张量 参考 【科普向/中英字幕】What's a Tensor? 张量简介_哔哩哔哩_bilibili 标量就是数值，几何含义为数轴上的线段的长度 向量（矢量）有着方向和大小，其几何含义为带有箭头的一个线段 矩阵是一个二维的表，其几何含义为空间基的变换 张量 张量是一个定义在一些向量空
import torch x = torch.tensor([3.0]) y = torch.tensor([2.0]) print(x + y, x * y, x/y, x**y) import torch x = torch.arange(4) print(x) # 可以将向量视为标量值组成的列表 print(x[3]) # 通过张量的索引来访问任一元素 print(len(x)) # 访问张量的
pytorch安装 bing官网 找对应版本下载 记住一点：-c pytorch不要加上，否则下载速度巨慢 pytorch的基本语法 tensor张量 基本概念 标量：0维张量 矢量：一维张量 矩阵：二维张量 矩阵数组：三维张量 tensor()是一个函数 代码演示： tensor = torch.arange(2,14,2)：不用手打，创建一维张量,取不到14
说明： torch.meshgrid()的功能是生成网格，可以用于生成坐标。 函数输入: 输入两个数据类型相同的一维tensor 函数输出： 输出两个tensor（tensor行数为第一个输入张量的元素个数，列数为第二个输入张量的元素个数） 注意： 1）当两个输入tensor数据类型不同或维度不是一维时会报错
人工智能导论 1）人工智能：让机器像人一样具有一些能力，扩展人的智慧。 2）机器学*： 不显式编程地赋予计算机能力的研究领域。 3）AIOps： Artificial Intelligence for IT Operations，智能化运维，将人工智能应用于运维领域，基于已有的运维数据（日志、监控信息、应用信息等），通过机器学*的方式来进
1.均匀分布torch.rand(*sizes, out=None) → Tensor 返回一个张量，包含了从区间[0, 1)的均匀分布中抽取的一组随机数。张量的形状由参数sizes定义。 参数: sizes (int...) - 整数序列，定义了输出张量的形状; out (Tensor, optinal) - 结果张量 例子：torch.rand(2, 3) 0.0836 0.615
1、创建张量 通过 tf.convert_to_tensor 函数可以创建新 Tensor，并将保存在 Python List 对象或者Numpy Array 对象中的数据导入到新 Tensor 中。 通过 tf.zeros()和 tf.ones()即可创建任意形状，内容为全0或全1的张量。 通过tf.fill(shape,value)可以创建全为自定义数值的张量，形状
第1章 Pytorch介绍与基础知识 大家好，本章是主要介绍一下深度学习框架Pytorch的的历史与发展，主要模块构成与基础操作代码演示。重点介绍Pytorch的各个组件、编程方式、环境搭建、基础操作代码演示。本章对有Pytorch开发经验的读者来说可以直接跳过；对初次接触Pytorch的读者来说，通
想学弹性力学，流体力学的本质还是要看连续介质力学 连续介质 连续介质continuous medium，continuum， material body 描述characterize 初始构形initial，reference，undeformed configuration 当前构形current，actual，deformed configuration 同质的homogeneous 粒子，物质点particle，mat
Tensorflow 1、tensor就是张量，多维数组，多维列表，阶表示张量的维数（dimension） 维数 阶 名字 例子 0-D 0 标量scalar s=1 2 3 1-D 1 向量vector V=[1,2,3] 2-D 2 矩阵matrix m=[[1,2,3],[4,5,6],[7,8,9]] n-D n 张量tensor t=[[
自然语言处理笔记总目录 1 迁移学习有关概念 预训练模型 大模型，具有复杂的网络结构，参数比较多，在足够大的语料集上训练出来的模型 微调（Fine-tuning） 微调的对象：预训练模型微调的部分：改变模型的部分参数或者新增加的输出结构微调的动作：在较小的语料集上进行训练微调的目
二维张量类似于二维度量，与二维度量一样，也有 n n n 的行数和列数。行数和列数。 以一张灰度图为例，它是一个二维的数值矩阵，俗称像素。范围从“0”到“255”，每个数字代表一个像素强度值。这里，最低强度数（即“0”）表示图像中的黑色区域，而最高强度数（即“255”）表示图像中的白色区域
tf2杂记 tf.shape()tf.split()ZeroPadding2DSAME与VALID区别卷积后大小计算 tf.shape() 关于python函数中shape的解释： shape包含在numpy库，是矩阵（ndarray）的属性，可以获取矩阵的形状（例如二维数组的行列），获取的结果是一个元组，因此相关代码如下： import numpy as np x = np.arra
文章目录 向量乘法张量间的操作控制模型每次训练的结果相同定义一个模型的基本步骤获取模型信息 向量乘法 （1）阿达玛积（Hadamard Product） 定义为两个矩阵对应位置的元素进行相乘。 c = a * b （2）点积（Dot Product） 矩阵相乘，第一个矩阵的列数必须等于第二个矩阵的行数
1.矩阵的转置 2.创建单位矩阵 3。对角矩阵 5.去上下三角矩阵 6.点乘运算 ，只支持一维张量 7.矩阵乘法 8.批量矩阵相乘 9.相乘在相加 10.矩阵的迹（对角线元素之和） 11.矩阵的秩 12.矩阵的行列式 13.逆矩阵 14.矩阵的分解 （1）特征分解
PointPillars:工业界中一种三维点云检测对象的快速编码方法 前言优势算法分析Pillars Feature NetBackbone(2D CNN)Detection Head(SSD)Loss Function 前言 在3D点云的目标检测中，一般有以下几种处理： （1 ： 3D卷积。缺点比较明显：计算量较大，导致网络的推理速度较慢。 （2 ： 投
在不同设备上的张量 查看张量的存储位置创建时指定存储设备张量转换设备的几种方法GPU转移到cpucpu 转移到GPU 张量可以在两个设备上进行存储和进行相关的计算，CPU和GPU。本节内容介绍，张量在不同设备上的存储和转移。 查看张量的存储位置
文章目录 幕后:训练一个数字分类器像素：计算机视觉的基础边栏:韧性和深度学习 初尝试：像素相似NumPy 数组和PyTorch 张量 使用广播计算评价指标随机梯度下降（SGD）计算梯度通过学习率执行`step`一个端到端的SGD例子1 初始化参数2 计算预测值3 计算损失4 计算梯度5 执行（更新）权重6
Q准则（Q Criterion）在涡识别中计算效率高，效果也不错，是一种常用涡方法。 了解Q准则需要从速度梯度张量入手，而速度梯度张量可以分解成两部分 \[\frac{\partial u_i}{\partial x_j} = 0.5\left[ \frac{\partial u_i}{\partial x_j} + \frac{\partial u_j}{\partial x_i}\right] + 0.5\l
