pytorch2 tensor

pytorch2 tensor

为什么写本博客

前人种树，后人乘凉。希望自己的学习笔记可以帮助到需要的人。

本博客定位

​ 帮助那些了解原理（指深度学习原理知道），想要实现自己想法的朋友。

本文目录

1. 概述：

​ Tensor，即张量，是PyTorch中的基本操作对象，可以看做是包含单一数据类型元素的多维矩阵。从使用角度来看，Tensor与NumPy的ndarrays非常类似，相互之间也可以自由转换，只不Tensor还支持GPU的加速。

​ 因此，可以大胆的把tensor看作类似array的对象。

2. 创建tensor：

2.1 最普通的创建方式：

import torch
a = torch.tensor([
    [1,2],
    [2,3]
])
print(a)

​ 注意：如果数据全为整数，那么tensor默认为INT64类型，一旦有小数，类型就会变为float32。

2.2 创建数据为零的张量：

import torch
c = torch.zeros((2,3)) # 输入指定形状即可
print(c) # 默认为float32

2.3 创建数据为1的张量：

import torch
d = torch.ones((3,3))
print(d)

2.4 创建单位矩阵：

import torch
e = torch.eye(5)
print(e)

2.5 创建数据为随机值的张量：

import torch
f = torch.randn((3,3)) # 正态分布，均值为0，方差为1
g = torch.randn((3,3)) # 均匀分布，[0,1)的均匀分布
print(f)

2.6 创建指定范围的一维张量：

import torch
g = torch.arange(1,20,3) # 起始值，结束值，步长
print(g)
h = torch.linspace(1,100,100) # [start=1,end-100]个数100个
print(h)
print(h.size())

2.7 总结：

​ 不难看出，其实上面的方法很多和numpy中的方法几乎一模一样，因此pytorch学起来也是成本十分低的。

3. Tensor对象属性：

3.1 形状：

import torch
a = torch.randn((4,3))
# shape
print(a.shape)	# 由numpy推出来的
print(a.size())

3.2 数据类型：

import torch
a = torch.randn((4,3))
# dtype
print(a.dtype)

4. 常用运算：

4.1 绝对值：

import torch
a = torch.randn((3,4))
print('before abs(a),a is :\n',a)
b = torch.abs(a) # 计算绝对值
print('after abs(a),a is :\n',b)

4.2 相加：

import torch
# add
c = torch.ones((2,3))
d = torch.ones((2,3))
print(c+d) # 方法一
print(torch.add(c,d)) # 方法二

​ 注意，如果是一个张量与标量相加，那么结果是所有元素都加上标量。

4.3 裁剪：

​ 裁剪意思是将tensor中每个值与上界和下界比较，低于下界则改写为下界值，高于上界则改写为上界值，中间的不变。

import torch
# cut
e = torch.tensor([
    [1,2,3,4,5],
    [0,1,2,3,4]
])
print(torch.clamp(e,2,4)) # 裁剪对象，下界，上界

4.4 除法：

import torch
# div
f = torch.tensor([
    [1,2,3,4,5],
    [2,4,6,8,10]
])
g = torch.ones((2,5))
print(torch.div(f,2))
print(torch.div(f,g))

​ 通过结果不难看出，除法是对应元素相除。

4.5 幂运算：

import torch
# pow
h = torch.tensor([1,2,3,4,5])
print(torch.pow(h,3))

4.6 对应元素相乘：

import torch
# mul
f = torch.tensor([
    [1,2,3,4,5],
    [2,4,6,8,10]
])
g = torch.ones((2,5))
print(torch.mul(f,g))

4.7 矩阵相乘：

import torch
# matrix mul
i = torch.tensor([
    [2,2],
    [3,3]
])
j = torch.tensor([
    [1,2,3],
    [2,3,4]
])
print(torch.mm(i,j))

5. tensor与array互相转换：

5.1 tensor --> array：

import torch
import numpy as np
# tensor ---> numpy
a = torch.ones(3)
b = a.numpy()
c = np.array(a)
print(type(b))
print(type(c))

5.2 array --> tensor：

import torch
import numpy as np
# tensor ---> numpy
a = torch.ones(3)
b = a.numpy()
# array ---> tensor
f = torch.tensor(b)
print(f)

6. Tensor索引：

​ tensor的索引和普通的索引没有什么区别，只是需要注意的是tensor中的内存共享：

import torch
a = torch.randn((3,4))
b = a[0,0]
print(b)
b += 1
print(a)

​ 运行结果为：

tensor(-0.4613)
tensor([[ 0.5387, -1.2455, 0.4596, -0.9547],
        [ 1.7746, 0.2623, -0.2514, 1.4591],
        [-0.1769, 2.2323, 0.1277, 0.2700]])

​ 即，虽然我们把a[0,0]赋值给了变量b，但是由于两者内存都指向的同一个地址，因此你修改b，a对应值也会变化。

7. 形状改变：

import torch
a = torch.randn(5,4)
# 先克隆一个
b = torch.clone(a)
# 再改变形状
c = a.view(4,5)
print(c)

​ 注意：由于内存共享，因此在改变形状之前，先克隆一个备份，再来改变形状。

​ 还有一个类似的方法：

import torch
a = torch.randn(5,4)
b = torch.reshape(a,(4,5))	# 参照numpy方法
print(b)