【pytorch学习笔记】第二篇——张量
文章目录
- 1. 张量的初始化
-
- （1）直接生成张量
- （2）通过Numpy数组来生成张量
- （3）通过已有的张量来生成新的张量
- （4）通过指定数据维度来生成张量
- 2. 张量属性
- 3. 张量运算
-
- （1）将运算移植到GPU中
- （2）张量的索引和切片
- （3）张量的拼接
- （4）张量的乘积和矩阵乘法
- （5）自动赋值运算
- 4. Tensor与Numpy的转化
张量是一种特殊的
数据结构，在pytorch中， 神经网络的输入、输出和网络的参数等数据，都是通过张量的形式进行描述的。张量和Numpy中的ndarrays很像，只不过张量可以运行在GPU或者其它专用硬件上，从而达到加速的效果。
1. 张量的初始化
下面介绍4种初始化方法。
（1）直接生成张量
由原始数据直接生成张量，张量类型由原始数据类型决定。
import torch
data = [[1, 2], [3, 4]]
x_data = torch.tensor(data)
print(x_data)
输出：
tensor([[1, 2],
[3, 4]])
（2）通过Numpy数组来生成张量
Numpy类型和张量类型可以互相转化
import torch
import numpy as np
data = [[1, 2], [3, 4]]
np_array = np.array(data) #转化为numpy类型
x_np = torch.from_numpy(np_array) # 生成张量
print(x_np)
输出：
tensor([[1, 2],
[3, 4]])
（3）通过已有的张量来生成新的张量
新的张量将继承已有张量的数据属性(结构、类型), 也可以重新指定新的数据类型。下列x_ones为继承类型，x_rand为重写类型。
import torch
data = [[1, 2], [3, 4]]
x_data = torch.tensor(data)
x_ones = torch.ones_like(x_data) # 保继承x_data 的属性
print(f"Ones Tensor: \n {x_ones} \n")
x_rand = torch.rand_like(x_data, dtype=torch.float) # 重写 x_data 的数据类型,int -> float
print(f"Random Tensor: \n {x_rand} \n")
输出：
Ones Tensor:
tensor([[1, 1],
[1, 1]])
Random Tensor:
tensor([[0.8947, 0.7094],
[0.8378, 0.1072]])
（4）通过指定数据维度来生成张量
可以通过元组类型描述张量的维度，并使用下列三种方式生成张量。
import torch
shape = (2,3,)
rand_tensor = torch.rand(shape)
ones_tensor = torch.ones(shape)
zeros_tensor = torch.zeros(shape)
print(f"Random Tensor: \n {rand_tensor} \n")
print(f"Ones Tensor: \n {ones_tensor} \n")
print(f"Zeros Tensor: \n {zeros_tensor}")
输出：
Random Tensor:
tensor([[0.1817, 0.6367, 0.2425],
[0.6479, 0.2495, 0.6829]])
Ones Tensor:
tensor([[1., 1., 1.],
[1., 1., 1.]])
Zeros Tensor:
tensor([[0., 0., 0.],
[0., 0., 0.]])
2. 张量属性
张量属性有维数、数据类型以及它们所存储的设备(CPU或GPU)。下面举例获取相应的属性。
import torch
tensor = torch.rand(3,4)
print(f"Shape of tensor: {tensor.shape}") # 维数
print(f"Datatype of tensor: {tensor.dtype}") # 数据类型
print(f"Device tensor is stored on: {tensor.device}") # 存储设备
输出：
Shape of tensor: torch.Size([3, 4])
Datatype of tensor: torch.float32
Device tensor is stored on: cpu
3. 张量运算
张量的运算操作有很多种，例如转置、索引、切片、数学运算、线性代数、随机采样等。如果想要查看完成的运算操作，可以查看官网链接。
（1）将运算移植到GPU中
所有的运算操作都可以在GPU中运行，例如：
import torch
# 判断当前环境GPU是否可用, 然后将tensor导入GPU内运行
tensor = torch.rand(3, 4)
if torch.cuda.is_available():
tensor = tensor.to('cuda')
print(f"Device tensor is stored on: {tensor.device}")
输出：
Device tensor is stored on: cuda:0
可以看到tensor张量已经移到GPU中。
（2）张量的索引和切片
import torch
tensor = torch.ones(4, 4)
tensor[:,1] = 0 # 将第1列数据全部赋值为0
print(tensor)
输出：
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
（3）张量的拼接
可以通过torch.cat或者torch.stack将一组张量按照指定的维度进行拼接。
import torch
tensor = torch.ones(4, 4)
tensor[:,1] = 0 # 将第1列(从0开始)的数据全部赋值为0
t1 = torch.cat([tensor, tensor, tensor], dim=1)
print(t1)
输出：
tensor([[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.]])
（4）张量的乘积和矩阵乘法
- 张量矩阵元素逐个相乘
import torch
tensor = torch.ones(4, 4)
tensor[:,1] = 0 # 将第1列(从0开始)的数据全部赋值为0
# 逐个元素相乘结果
print(f"tensor.mul(tensor): \n {tensor.mul(tensor)} \n")
# 等价写法:
print(f"tensor * tensor: \n {tensor * tensor}")
输出：
tensor.mul(tensor):
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
tensor * tensor:
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
- 张量的矩阵乘法
import torch
tensor = torch.ones(4, 4)
tensor[:,1] = 0 # 将第1列(从0开始)的数据全部赋值为0
print(f"tensor.matmul(tensor.T): \n {tensor.matmul(tensor.T)} \n")
# 等价写法:
print(f"tensor @ tensor.T: \n {tensor @ tensor.T}")
输出：
tensor.matmul(tensor.T):
tensor([[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.]])
tensor @ tensor.T:
tensor([[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.]])
（5）自动赋值运算
自动赋值运算通常在方法后有 _ 作为后缀, 例如: x.copy_(y), x.t_()操作会改变 x 的取值。
自动赋值运算虽然可以节省内存, 但在求导时会因为丢失了中间过程而导致一些问题, 所以我们并不鼓励使用它。
import torch
tensor = torch.ones(4, 4)
tensor[:,1] = 0 # 将第1列(从0开始)的数据全部赋值为0
print(tensor, "\n")
tensor.add_(5)
print(tensor)
输出：
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
tensor([[6., 5., 6., 6.],
[6., 5., 6., 6.],
[6., 5., 6., 6.],
[6., 5., 6., 6.]])
4. Tensor与Numpy的转化
张量和Numpy array数组在CPU上可以共用一块内存区域, 改变其中一个另一个也会随之改变。
- 将Tensor转换为Numpy array数组
import torch
t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")
输出：
t: tensor([1., 1., 1., 1., 1.])
n: [1. 1. 1. 1. 1.]
- 由Numpy array数组转为张量
import torch
import numpy as np
n = np.ones(5)
t = torch.from_numpy(n)
# 修改其中一个值，另一个也随之改变
np.add(n, 1, out=n)
print(f"t: {t}")
print(f"n: {n}")
输出：
t: tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
n: [2. 2. 2. 2. 2.]
参考：https://pytorch.apachecn.org/