paddle2.0之 paddle Tensor 第一集

2020-11-27 665

paddlepaddle2.0— 开启新梦想

paddlepaddle2.0新的起航，是不是有新手小伙伴对这些很迷茫呢？

下载安装命令

## CPU版本安装命令
pip install -f https://paddlepaddle.org.cn/pip/oschina/cpu paddlepaddle

## GPU版本安装命令
pip install -f https://paddlepaddle.org.cn/pip/oschina/gpu paddlepaddle-gpu

传说中的：可以new一个对象的python还没有到创建对象的能力。

听说对象在paddle的加持下已经是过去，只需百度和谷歌加上paddle的熟练操作，和paddle实现人机对话指日可待

作为一名paddle小白怎么办呢？

今天由三岁带大家一起开启paddle学习新梦想！

本文对应AIstudio地址：https://aistudio.baidu.com/aistudio/projectdetail/1275635

三岁白话paddle2.0系列历史地址

三岁白话paddle2.0系列第一话：起航新征程(项目)：https://aistudio.baidu.com/aistudio/projectdetail/1270135
三岁白话paddle2.0系列第一话：起航新征程(csdn)：https://blog.csdn.net/weixin_45623093/article/details/110198594

参考资料：

paddlepaddle官方文档：

https://www.paddlepaddle.org.cn/documentation/docs/zh/2.0-rc/guides/01_paddle2.0_introduction/basic_concept/tensor_introduction_cn.html

百度：https://www.baidu.com/s?wd=Tensor

pytorch官方文档：https://pytorch.org/tutorials/beginner/blitz/tensor_tutorial.html#sphx-glr-beginner-blitz-tensor-tutorial-py

Tensor->张量

在paddle中和大多数的深度学习框架一样Tensor是运算的基础，那么什么是Tensor呢？让我们一起来看看吧！

这是paddle提供的一种数据结构和python的几种内置结构类型有所不同，他更类似于C语言的多维数组，和Numpy的array相类似

我们可以非常方便的读取到位置上的内容，但是不能够轻易的给已经生成的Tensor添加成员或者生成维度（优缺点）

所有的修改都需要通过新建在把数据处理后复制进去（paddle对此作了一定程度的封装，便于使用）

数学上的张量（图解）

在数学上张量就是向量这个大家就有数了，但也可能是多维的向量，向量的向量，向量的向量的向量，……反复套娃

paddle Tensor的创建

# 导入paddle
import paddle

创建类似于vector的1-D Tensor，其rank为1

创建一个向量维度是一

# 可通过dtype来指定Tensor数据类型，否则会创建float32类型的Tensor
rank_1_tensor = paddle.to_tensor([2.0, 3.0, 4.0], dtype='float64')
print(rank_1_tensor)

Tensor(shape=[3], dtype=float64, place=CPUPlace, stop_gradient=True,
       [2., 3., 4.])

结果解析

shape=[3]：一维长度为3；

dtype=float64：类型是64位的；

place=CPUPlace：使用的是cpu；

stop_gradient=True：不求导，不参加梯度更新；

[2., 3., 4.]内容是[2., 3., 4.]

创建一个标量

这里使用两种办法得到的结果是一样的！

int_0 = paddle.to_tensor(2)
int_1 = paddle.to_tensor([2])
print(f"整型标量：{int_0},{int_1}")
float_0 = paddle.to_tensor(2.0, dtype='float64')
float_1 = paddle.to_tensor([2.0], dtype='float64')
print(f"浮点型标量：{float_0},{float_1}")

整型标量：Tensor(shape=[1], dtype=int64, place=CPUPlace, stop_gradient=True,
       [2]),Tensor(shape=[1], dtype=int64, place=CPUPlace, stop_gradient=True,
       [2])
浮点型标量：Tensor(shape=[1], dtype=float64, place=CPUPlace, stop_gradient=True,
       [2.]),Tensor(shape=[1], dtype=float64, place=CPUPlace, stop_gradient=True,
       [2.])

创建一个二维的张量（矩阵）

法方法和一维的一样，但是可以对比结果，看到一维和二维的差距明显

rank_2_tensor = paddle.to_tensor([[1.0, 2.0, 3.0],
                                  [4.0, 5.0, 6.0]])
print(rank_2_tensor)

Tensor(shape=[2, 3], dtype=float32, place=CPUPlace, stop_gradient=True,
       [[1., 2., 3.],
        [4., 5., 6.]])

创建多维矩阵

方法一样，就是把里面的内容进行一定程度的修改，把矩阵的维度进行一定的提高

# Tensor可以有任意数量的轴（也称为维度）
rank_3_tensor = paddle.to_tensor([[[1, 2, 3, 4, 5],
                                   [6, 7, 8, 9, 10]],
                                  [[11, 12, 13, 14, 15],
                                   [16, 17, 18, 19, 20]]])
print(rank_3_tensor)

Tensor(shape=[2, 2, 5], dtype=int64, place=CPUPlace, stop_gradient=True,
       [[[1, 2, 3, 4, 5],
         [ 6,  7,  8,  9, 10]],

        [[11, 12, 13, 14, 15],
         [16, 17, 18, 19, 20]]])

利用图片对上面的一维、二维、三维Tensor进行解释

不同rank的Tensor可视化表示

Tensor与Numpy array的相互转换

由于Tensor与Numpy array在表现上极为相似，转换也便存在可能

使用Tensor.numpy()即可轻松装换由Tensor转换成Numpy

使用paddle.to_tensor(Numpy array(xxx))可以把Numpy转换成Tensor

创建的 Tensor 与原 Numpy array 具有相同的 shape 与 dtype。

import numpy

# 对rank_3_tensor进行转换（Tensor->Numpy）
rank_3_tensor.numpy()

array([[[ 1,  2,  3,  4,  5],
        [ 6,  7,  8,  9, 10]],

       [[11, 12, 13, 14, 15],
        [16, 17, 18, 19, 20]]], dtype=int64)

# 使用Numpy转换成Tensor
#生成一维
rank_1_tensor = paddle.to_tensor(numpy.array([1.0, 2.0]))
#生成二维
rank_2_tensor = paddle.to_tensor(numpy.array([[1.0, 2.0],
                                              [3.0, 4.0]]))
#生成随机的三维
rank_3_tensor = paddle.to_tensor(numpy.random.rand(3, 2))
print(f'生成一维：{rank_1_tensor}生成二维:{rank_2_tensor}生成随机的三维:{rank_3_tensor}')

生成一维：Tensor(shape=[2], dtype=float64, place=CPUPlace, stop_gradient=True,
       [1., 2.])生成二维:Tensor(shape=[2, 2], dtype=float64, place=CPUPlace, stop_gradient=True,
       [[1., 2.],
        [3., 4.]])生成随机的三维:Tensor(shape=[3, 2], dtype=float64, place=CPUPlace, stop_gradient=True,
       [[0.47932373, 0.27477318],
        [0.15932428, 0.56038360],
        [0.30284743, 0.91852095]])

对虚数的支持

在深度学习中虚数的存在也是不可或缺的对虚数的包涵也是很有必要的

Tensor不仅支持 floats、ints 类型数据，也支持 complex numbers 数据！

rank_2_complex_tensor = paddle.to_tensor([[1+1j, 2+2j],
                                          [3+3j, 4+4j]])
print(rank_2_complex_tensor)

ComplexTensor[real]: generated_tensor_1.real
  - place: CPUPlace
  - shape: [2, 2]
  - layout: NCHW
  - dtype: float
  - data: [1 2 3 4]
ComplexTensor[imag]: generated_tensor_1.imag
  - place: CPUPlace
  - shape: [2, 2]
  - layout: NCHW
  - dtype: float
  - data: [1 2 3 4]

查看结果可以发现它把实部和虚部进行了分开的展示

实部：
ComplexTensor[real]: generated_tensor_1.real
  - place: CPUPlace
  - shape: [2, 2]
  - layout: NCHW
  - dtype: float
  - data: [1 2 3 4]
虚部：
ComplexTensor[imag]: generated_tensor_1.imag
  - place: CPUPlace
  - shape: [2, 2]
  - layout: NCHW
  - dtype: float
  - data: [1 2 3 4]

如果检测到输入数据包含complex numbers，则会自动创建一个ComplexTensor，ComplexTensor是Paddle中一种特殊的数据结构，其包含实部（real）与虚部（imag）两个形状与数据类型相同的Tensor。

其结构可视化表示为：

Tensor报错

Tensor只支持规则的矩阵，对于非规则的会抛出异常！

也就是同一个维度上大小、类型要相同！

# 维数不对会报错！
rank_2_tensor = paddle.to_tensor([[1.0, 2.0],
                                  [4.0, 5.0, 6.0]])

以上会出现报错

ValueError: 
	Faild to convert input data to a regular ndarray :
	 - Usually this means the input data contains nested lists with different lengths.

创建一个指定shape的Tensor

Paddle提供了一些API

paddle.zeros([m, n])                # 创建数据全为0，shape为[m, n]的Tensor
paddle.ones([m, n])                 # 创建数据全为1，shape为[m, n]的Tensor
paddle.full([m, n], 10)             # 创建数据全为10，shape为[m, n]的Tensor
paddle.arrange(start, end, step)    # 创建从start到end，步长为step的Tensor
paddle.linspace(start, end, num)    # 创建从start到end，元素个数固定为num的Tensor

Tensor的shape（形状）

名称	属性
shape	tensor的每个维度上的元素数量
rank	tensor的维度的数量，例如vector的rank为1，matrix的rank为2.
axis/dimension	tensor某个特定的维度
size	tensor中全部元素的个数

举例说明shape之间的关系

rank_4_tensor = paddle.ones([2, 3, 4, 5])
print(rank_4_tensor)
print("Data Type of every element:", rank_4_tensor.dtype)
print("Number of dimensions:", rank_4_tensor.ndim)
print("Shape of tensor:", rank_4_tensor.shape)
print("Elements number along axis 0 of tensor:", rank_4_tensor.shape[0])
print("Elements number along the last axis of tensor:", rank_4_tensor.shape[-1])

Tensor(shape=[2, 3, 4, 5], dtype=float32, place=CPUPlace, stop_gradient=True,
       [[[[1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.]],

         [[1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.]],

         [[1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.]]],


        [[[1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.]],

         [[1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.]],

         [[1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.],
          [1., 1., 1., 1., 1.]]]])
Data Type of every element: VarType.FP32
Number of dimensions: 4
Shape of tensor: [2, 3, 4, 5]
Elements number along axis 0 of tensor: 2
Elements number along the last axis of tensor: 5

解析结果

Data Type of every element: VarType.FP32

数据类型是32位的

Number of dimensions: 4

维度是4维

Shape of tensor: [2, 3, 4, 5]

大小是[2, 3, 4, 5]

Elements number along axis 0 of tensor: 2

0维度的数量

Elements number along the last axis of tensor: 5

最后一个维度的数量

图解：

改变维度

之前提过Tensor的维度和数量不能够随意更改和添加，paddle在这里就封装了一个reshape接口来改变Tensor的shape

# 新建3维数据
rank_3_tensor = paddle.to_tensor([[[1, 2, 3, 4, 5],
                                   [6, 7, 8, 9, 10]],
                                  [[11, 12, 13, 14, 15],
                                   [16, 17, 18, 19, 20]],
                                  [[21, 22, 23, 24, 25],
                                   [26, 27, 28, 29, 30]]])
print("rank_3_tensor:", rank_3_tensor)
print("the shape of rank_3_tensor:", rank_3_tensor.shape)
# 对数据进行维度修改
rank_3_tensor = paddle.reshape(rank_3_tensor, [2, 5, 3])
print("rank_3_tensor:", rank_3_tensor)
print("After reshape:", rank_3_tensor.shape)

rank_3_tensor: Tensor(shape=[3, 2, 5], dtype=int64, place=CPUPlace, stop_gradient=True,
       [[[1, 2, 3, 4, 5],
         [ 6,  7,  8,  9, 10]],

        [[11, 12, 13, 14, 15],
         [16, 17, 18, 19, 20]],

        [[21, 22, 23, 24, 25],
         [26, 27, 28, 29, 30]]])
the shape of rank_3_tensor: [3, 2, 5]
rank_3_tensor: Tensor(shape=[2, 5, 3], dtype=int64, place=CPUPlace, stop_gradient=True,
       [[[1, 2, 3],
         [4, 5, 6],
         [7, 8, 9],
         [10, 11, 12],
         [13, 14, 15]],

        [[16, 17, 18],
         [19, 20, 21],
         [22, 23, 24],
         [25, 26, 27],
         [28, 29, 30]]])
After reshape: [2, 5, 3]

-1 表示这个维度的值是从Tensor的元素总数和剩余维度推断出来的。因此，有且只有一个维度可以被设置为-1。
0 表示实际的维数是从Tensor的对应维数中复制出来的，因此shape中0的索引值不能超过x的维度。

# reshape为[-1]时，会将tensor按其在计算机上的内存分布展平为1-D Tensor。
print("Tensor flattened to Vector:", paddle.reshape(rank_3_tensor, [-1]).numpy())

Tensor flattened to Vector: [ 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
 25 26 27 28 29 30]

paddle Tensor的dtype

Tensor的数据类型，可以通过 Tensor.dtype 来查看，dtype支持：‘bool’，‘float16’，‘float32’，‘float64’，‘uint8’，‘int8’，‘int16’，‘int32’，‘int64’。

# 查看rank_3_tensor的类型
rank_3_tensor.dtype

VarType.INT64

dtype类型的指定

通过Python元素创建的Tensor，可以通过dtype来进行指定，如果未指定：

对于python整型数据，则会创建int64型Tensor

对于python浮点型数据，默认会创建float32型Tensor

如果对浮点型默认的类型进行修改可以使用set_default_type进行调整

通过Numpy array创建的Tensor，则与其原来的dtype保持相同。

改变dtype（类型）

paddle同样提供了接口改变类型，可以更好的同于“实战”

# 生成一个浮点型32位的张量
float32_tensor = paddle.to_tensor(1.0)
print('float32_tensor', float32_tensor.dtype)
# 转换成浮点型64位
float64_tensor = paddle.cast(float32_tensor, dtype='float64')
print("Tensor after cast to float64:", float64_tensor.dtype)
# 转换成整型64位
int64_tensor = paddle.cast(float32_tensor, dtype='int64')
print("Tensor after cast to int64:", int64_tensor.dtype)

float32_tensor VarType.FP32
Tensor after cast to float64: VarType.FP64
Tensor after cast to int64: VarType.INT64

Tensor的place

初始化Tensor时可以通过place来指定其分配的设备位置，可支持的设备位置有三种：CPU/GPU/固定内存

其中固定内存也称为不可分页内存或锁页内存，其与GPU之间具有更高的读写效率，并且支持异步传输，这对网络整体性能会有进一步提升，但其缺点是分配空间过多时可能会降低主机系统的性能，因为其减少了用于存储虚拟内存数据的可分页内存。

# 创建CPU上的Tensor
cpu_tensor = paddle.to_tensor(1, place=paddle.CPUPlace())
print(cpu_tensor)

Tensor(shape=[1], dtype=int64, place=CPUPlace, stop_gradient=True,
       [1])

# 创建GPU上的Tensor
gpu_tensor = paddle.to_tensor(1, place=paddle.CUDAPlace(0))
print(gpu_tensor)

# 创建固定内存上的Tensor
pin_memory_tensor = paddle.to_tensor(1, place=paddle.CUDAPinnedPlace())
ory_tensor = paddle.to_tensor(1, place=paddle.CUDAPinnedPlace())
print(pin_memory_tensor)

好了还有内容就下次吧！

下载安装命令

## CPU版本安装命令
pip install -f https://paddlepaddle.org.cn/pip/oschina/cpu paddlepaddle

## GPU版本安装命令
pip install -f https://paddlepaddle.org.cn/pip/oschina/gpu paddlepaddle-gpu

>> 访问 PaddlePaddle 官网，了解更多相关内容。

预告白话paddle2.0-re—Tensor的……

这里是三岁，就到这里了，下次见！

本文同步分享在博客“三岁学编程”（CSDN）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。

微信关注我们

原文链接：https://my.oschina.net/u/4067628/blog/4782603

转载内容版权归作者及来源网站所有！

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

Paddle2.0 安装指南（Windows-CPU、GPU，linux-CPU）

白话Paddle2.0-rc — 起航新征程 paddlepaddle一场新的飞跃！让我们一起开启新世界的大门吧~~~ 等待，这里需要等待一下掉队的童鞋！参考文档使用CPU版本的小伙伴朝这里看了查看是否安装成功！ CPU版本安装注意事项 GPU的小伙伴我们走啦走啦！环境的准备虚拟环境的创建开始安装paddlepaddle2.0-rc GPU版本安装结束后确认 GPU安装容易出现的问题 linux CPU的小伙伴我们启程啦爱情来得就是这么猝不及防确认安装成功 linux涉及的问题下载安装命令 ## CPU版本安装命令 pip install -f https://paddlepaddle.org.cn/pip/oschina/cpu paddlepaddle ## GPU版本安装命令 pip install -f https://paddlepaddle.org.cn/pip/oschina/gpu paddlepaddle-gpu paddlepaddle一场新的飞跃！自paddlepaddle 1.8后革新版本的2.0-rc已经发布了，新的...

2020-11-26

811

前言这篇文章其实早就想写了，最近事情比较多，耽搁了，详细的代码可能不会提供多少，但我会尽量把开发的过程和思路写清楚，其实整体逻辑很简单，只是相关的资料和文档很少，太难找，我也会尽量在这篇文章中把常用的API标出。再啰嗦几嘴这是在上一家公司开发时遇到的需求，需要将"病理图片"解析并且在浏览器上显示，在我之前的技术没能解决，而我之前也没做过类似的功能，公司只给了我一个连接，是XX公司实现后的效果，要求做到这种，公司的老项目是个CS客户端的，已经实现了相关的功能，但是是由python实现的，年代比较久远，甚至在职人员都不太清楚是怎么实现的，而且有个比较大的问题就是，很卡，读图在页面上会比较卡，不流畅，BOSS不懂技术，以为是语言的问题，所以特别要求这次要用java在浏览器上实现，实际上这是一个前端优化跟缓存取用的问题，跟后台用什么语言实现没什么关系，不过既然被这么要求了，就只能硬着头皮做了。正文在铺干货之前，我先写写当时的思路吧，其实在看了DEMO连接后，大概就清楚了是一个怎么样的实现方式，在页面上展示的其实是无数256*256的小图拼凑在一起的，初步的思路大概就...

2020-12-08

1862

资源下载

更多资源

优质分享App

近一个月的开发和优化，本站点的第一个app全新上线。该app采用极致压缩，本体才4.36MB。系统里面做了大量数据访问、缓存优化。方便用户在手机上查看文章。后续会推出HarmonyOS的适配版本。

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。

paddle2.0之 paddle Tensor 第一集

paddlepaddle2.0— 开启新梦想

三岁白话paddle2.0系列历史地址

Tensor->张量

数学上的张量（图解）

paddle Tensor的创建

创建类似于vector的1-D Tensor，其rank为1

结果解析

创建一个标量

创建一个二维的张量（矩阵）

创建多维矩阵

利用图片对上面的一维、二维、三维Tensor进行解释

Tensor与Numpy array的相互转换

对虚数的支持

Tensor报错

创建一个指定shape的Tensor

Tensor的shape（形状）

举例说明shape之间的关系

解析结果

改变维度

paddle Tensor的dtype

dtype类型的指定

改变dtype（类型）

Tensor的place

预告白话paddle2.0-re—Tensor的……

Paddle2.0 安装指南（Windows-CPU、GPU，linux-CPU）

Java关于超大图片的处理，完整实现方案思路（.tiff.svs.mxrs等一系列格式）

相关文章

发表评论

资源下载

优质分享App

Mario

Nacos

Sublime Text

欢迎您来访！

paddle2.0之 paddle Tensor 第一集

paddlepaddle2.0— 开启新梦想

三岁白话paddle2.0系列历史地址

Tensor->张量

数学上的张量（图解）

paddle Tensor的创建

创建类似于vector的1-D Tensor，其rank为1

结果解析

创建一个标量

创建一个二维的张量（矩阵）

创建多维矩阵

利用图片对上面的一维、二维、三维Tensor进行解释

Tensor与Numpy array的相互转换

对虚数的支持

Tensor报错

创建一个指定shape的Tensor

Tensor的shape（形状）

举例说明shape之间的关系

解析结果

改变维度

paddle Tensor的dtype

dtype类型的指定

改变dtype（类型）

Tensor的place

预告 白话paddle2.0-re—Tensor的……

Paddle2.0 安装指南（Windows-CPU、GPU，linux-CPU）

Java关于超大图片的处理，完整实现方案思路（.tiff.svs.mxrs等一系列格式）

相关文章

发表评论

资源下载

优质分享App

Mario

Nacos

Sublime Text

欢迎您来访！

预告白话paddle2.0-re—Tensor的……