张量是一个多维数组。它是许多计算库中的关键实体,例如tensorflow,torch,theano,caffe,mxnet,用于机器学习任务。如果您使用此标记,还要使用相应的库标记问题。
我是 pytorch 和张量的新手,我想知道如何执行以下操作。我将用一个超级简单的例子来解释: 如果我有 9 个值的 1d 张量 - [1,2,3,4,5,6,7,8,9] 我想“聚合&
预训练的 ViT(Vision Transformer)模型通常在 224x224 图像或 384x384 图像上进行训练。但我必须在
PyTorch 中tensor.permute 和tensor.view 之间的区别?
tensor.permute()和tensor.view()有什么区别? 他们似乎做同样的事情。
我有两个不同长度的二维张量,两者都是同一原始二维张量的不同子集,我想找到所有匹配的“行” 例如 A = [[1,2,3],[4,5,6],[7,8,9],[3,3,3] B = ...
从非常小的浮点数列表转换为 PyTorch 张量会出现 TypeError,因为 PyTorch 将科学记数法解释为 str 而不是 float
我想将数据设置为 PyTorch 张量,作为 ML 算法的目标。如果我按原样检查列表,我会得到: ydata = [1.39e-11, 1.5e-12, 4.7e-16] 我想把这个清单整理一下...
我使用 PyTorch 得到尺寸为 (210,2) 的张量。我想把它转换成(15,14,2)。 有人知道怎么做吗?先谢谢你了
我目前正在为我的人工智能助理项目开发唤醒词模型。我的流程涉及将音频数据转换为 MFCC 特征,将它们传递到 LSTM 层,然后使用 Linear La...
我正在尝试将字节音频流转换为PyTorch张量作为PyTorch的forward()函数的输入。 (更具体地说,我使用 Nemo 扬声器模型进行说话人识别: 音频信号,
我有一个大小为 torch.Size([1, 63840]) 的张量,然后将其展开: inp_unfolded = inp_seq.unfold(1, 160, 80) 这给了我一个形状: torch.Size([1, 797, 160]) 我怎样才能重新折叠它以获得
如何训练train_generator shuffle=True的SVM模型
当train_generator shuffle=True时,softmax_output和train_labels_list不对应 如何使标签对应 train_labels_list = [] train_generator_labels = train_generator.labels 对于
我有一个模型 def apk(x: 符号张量, y: 符号张量, k=10): ”“” 计算 k 处的平均精度。 ”“” #这里我需要找到元素x的数量,
有没有办法批量获取torch张量的直方图? 例如: x 是形状为 (64, 224, 224) 的张量 # x 的形状为 (64, 256) x = batch_histogram(x, bins=256, min=0, max=255)
如何让 Eigen::TensorRef 用于广播和其他操作?
我正在使用 Eigen 3.4 和 MSVC。我之前使用过 Eigen::Ref 并取得了一些成功,并且我正在尝试使用 Eigen::TensorRef,但遇到了问题: 特征::张量 A(3, 1, 2); A.
T 是给定的张量。我需要 T 在每个方向上的切片和。例如,对于4阶张量T,我编写了以下代码。 函数 get_every_slice_sums(T) A = sum(T, dims=[ 2,3,4]) ...
多维张量(例如在pytorch中)以什么逻辑组合? 假设我有形状为 (64, 1, 1, 42) 的张量 A 和形状为 (1, 42, 42) 的张量 B。 A & B 和 h 的结果是什么...
运行时错误:排列(sparse_coo):张量输入中的维度数与所需维度排序的长度不匹配
所以,我使用这个剪辑模型来执行一些标签任务。但是当我使用剪辑模型的文本编码器时,它会出现以下错误: 前进(自我,批量...
我正在处理用于机器学习任务的张量网络。为了明确对手写数字的 MNIST 数据集进行分类,每个图像由 N = 28 × 28 = 784 个像素组成。 但方法论和实施...
给定一个整数的 PyTorch 张量,例如 torch.Size(N, C, H, W)。 有没有一种方法可以有效地散列张量的每个元素,以便我获得从 [-MAX_INT32 到 +MAX_INT32] 或 [...
我在修改解包张量时遇到错误。 进口火炬 a1, a2 = torch.tensor([1,2], dtype = torch.float64) b = torch.rand(2, require_grad = True) a1 += b.sum() 此代码生成