Tensor unidimensional en Pytorch

En este artículo, vamos a discutir un tensor unidimensional en Python. Veremos los siguientes conceptos:

1. Creación de tensores unidimensionales
2. Accediendo a Elementos de Tensor
3. Tamaño del tensor
4. Tipos de datos de elementos de tensores
5. Vista del tensor
6. Tensor de punto flotante

Introducción

El Pytorch se utiliza para procesar los tensores. Los tensores son arreglos multidimensionales. PyTorch acelera el cálculo científico de tensores ya que tiene varias funciones incorporadas.

Vector:

Un vector es un tensor unidimensional que contiene elementos de múltiples tipos de datos. Podemos crear vectores usando PyTorch. Pytorch está disponible en el módulo de antorcha de Python. Así que tenemos que importarlo.

Sintaxis :

import pytorch

Creación de tensores unidimensionales:

El vector unidimensional se crea utilizando el método torch.tensor().

Sintaxis:

torch.tensor([element1,element2,.,element n])

Donde los elementos son elementos de entrada a un tensor

Ejemplo: programa Python para crear elementos tensoriales

# importing torch module
import torch
  
# create one dimensional tensor with integer type elements
a = torch.tensor([10, 20, 30, 40, 50])
print(a)
  
# create one dimensional tensor with float type elements
b = torch.tensor([10.12, 20.56, 30.00, 40.3, 50.4])
print(b)

Producción:

tensor([10, 20, 30, 40, 50])
tensor([10.1200, 20.5600, 30.0000, 40.3000, 50.4000])

Accediendo a Elementos de Tensor:

Podemos acceder a los elementos en el vector tensorial usando el índice de elementos.

Sintaxis:

tensor_name([index])

Donde el índice es la posición del elemento en el tensor:

• La indexación comienza desde 0 desde el primero
• La indexación comienza desde -1 desde el último

Ejemplo: Programa en Python para acceder a elementos usando el índice.

# importing torch module
import torch
  
# create one dimensional tensor with integer type elements
a = torch.tensor([10, 20, 30, 40, 50])
  
# get 0 and 1 index elements
print(a[0], a[1])
  
# get 4 th index  element
print(a[4])
  
# get 4 index element from last
print(a[-4])
  
# get 2 index element from last
print(a[-2])

Producción:

tensor(10) tensor(20)
tensor(50)
tensor(20)
tensor(40)

Podemos acceder a n elementos a la vez usando el operador ”:” , esto se conoce como slicing.

Sintaxis:

tensor([start_index:end_index])

Donde start_index es el índice inicial y end_index es el índice final.

Ejemplo: programa Python para acceder a múltiples elementos.

# importing torch module
import torch
  
# create one dimensional tensor with integer type elements
a = torch.tensor([10, 20, 30, 40, 50])
  
# access elements from 1 to 4
print(a[1:4])
  
# access from 4
print(a[4:])
  
# access from last
print(a[-1:])

Producción:

tensor([20, 30, 40])
tensor([50])
tensor([50])

Tamaño del tensor:

Esto se usa para obtener la longitud (número de elementos) en un tensor usando el método size().

Sintaxis:

tensor.size()

Ejemplo: programa Python para obtener el tamaño del tensor.

# importing torch module
import torch
  
# create one dimensional tensor integer type elements
a = torch.FloatTensor([10, 20, 30, 40, 50])
  
# size of tensor
print(a.size())
  
# create one dimensional tensor integer type elements
b = torch.FloatTensor([10, 20, 30, 40, 50, 45, 67, 43])
  
# size of tensor
print(b.size())

Producción:

torch.Size([5])
torch.Size([8])

Tipos de datos de elementos de tensores:

Podemos obtener el tipo de datos de los elementos de datos del tensor. Luego se usa dtype() para obtener el tipo de datos del tensor

Sintaxis:

tensor_vector.dtype

Donde tensor_vector es el vector tensor unidimensional.

Ejemplo:

# importing torch module
import torch
  
# create one dimensional tensor with integer type elements
a = torch.tensor([10, 20, 30, 40, 50])
  
# get data type of vector a
print(a.dtype)
  
# create one dimensional tensor with float type elements
b = torch.tensor([10.12, 20.56, 30.00, 40.3, 50.4])
  
# get data type of vector b
print(b.dtype)

Producción:

torch.int64
torch.float32

Vista del tensor:

La vista() se usa para ver el tensor en formato bidimensional, es decir, filas y columnas. Tenemos que especificar el número de filas y el número de columnas a visualizar.

Sintaxis:

tensor.view(no_of_rows,no_of_columns)

Dónde,

• tensor es un tensor unidimensional de entrada
• no_of_rows es el número total de filas que se ve el tensor
• no_of_columns es el número total de columnas que se ve el tensor

Ejemplo: programa en Python para crear un tensor con 10 elementos y vista con 5 filas y 2 columnas y viceversa.

# importing torch module
import torch
  
# create one dimensional tensor 10 elements
a = torch.FloatTensor([10, 20, 30, 40, 50, 1, 2, 3, 4, 5])
  
# view tensor in 5 rows and 2 columns
print(a.view(5, 2))
  
# view tensor in 2 rows and 5 columns
print(a.view(2, 5))

Producción:

tensor([[10., 20.],
       [30., 40.],
       [50.,  1.],
       [ 2.,  3.],
       [ 4.,  5.]])
tensor([[10., 20., 30., 40., 50.],
       [ 1.,  2.,  3.,  4.,  5.]])

Tensor de coma flotante:

Este tensor se utiliza para definir los elementos de tipo float. Podemos crear un tensor de punto flotante usando un elemento entero usando la propiedad FloatTensor .

Sintaxis :

torch.FloatTensor([element1,element 2,.,element n])

Ejemplo: programa Python para crear un tensor flotante y obtener elementos.

# importing torch module
import torch
  
# create one dimensional Float Tensor  with 
# integer type elements
a = torch.FloatTensor([10, 20, 30, 40, 50])
  
# display data type
print(a.dtype)
  
# access elements from 0 to 3
print(a[0:3])
  
# access from 4
print(a[4:])

Producción:

torch.float32
tensor([10., 20., 30.])
tensor([50.])