从本篇开始,我们就进入一开始的预备知识的学习,如果有相关基础的朋友可以选择跳过这章直接进行后续的学习,为了方便大家能够更好地同时学习书本以及沐神直播视频的内容,我也在此放入这部分整理好的视频以及沐神的B站主页传送门:
希望大家在能够结合视频和书本进行相应的学习,那么我们就开始这一章的旅程啦~~
为了能够完成各种操作,我们需要某种方法来存储和操作数据。我们需要做两件重要的事情:
如果没有某种方法来存储数据,那么获取数据是没有意义的。因此我们首先需要了解的一个就是 n 维数组,也称为张量(tensor)。
使用过Python中使用最广泛的科学计算包NumPy的读者会对本部分很熟悉。无论使用哪个深度学习框架,它的张量类(在MXNet中为ndarray,在 PyTorch 和TensorFlow中为Tensor)都与Numpy的ndarray类似,但又比Numpy的ndarray多一些重要功能:
那么我们在深度学习中最常见的就是张量,如果没有特殊说明,今后所说的张量均指的是张量类的实例。
从本节开始,我们就一步一步慢慢熟悉一下在PyTorch中关于张量的一些操作。
首先我们导入torch。值得注意的是,虽然他的名字是PyTorch,但是我们导入的包是torch。
import torch
张量表示由一个数值组成的数组,这个数组可以有多个维度,我们不妨将这些维度想象成轴,那么具有一个轴的张量相当于是一维,在数学上对应的名字为向量(Vector);而具有两个轴的张量也就是二维,在数学上对应的是矩阵(matrix);轴数越多对应维度越高。张量中的每个值都称为张量的元素(element)。除非额外指定,否则新的张量将存储在内存中,并采用基于CPU的计算。
我们开始进行一些基本操作的熟悉。
x = torch.arange(12)
x
tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
x.shape
x.size()
torch.Size([12])
torch.Size([12])
x.numel()
12
X = x.reshape(3, 4)
X
tensor([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
不需要通过手动指定每个维度来改变形状,张量在给出其他部分后可以自动计算出一个维度。我们可以通过在希望张量自动推断的维度放置-1来调用此功能。在上面的例子中,我们可以用
x.reshape(-1,4)
或x.reshape(3,-1)
来取代x.reshape(3,4)
。
torch.zeros((2, 3, 4)) # 构建一个全0矩阵
tensor([[[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]],
[[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]]])
torch.ones((2, 3, 4)) # 构建一个全1矩阵
tensor([[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]],
[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]]])
torch.randn(3, 4) # 构建一个元素为高斯分布的矩阵
tensor([[-0.1957, -0.0284, 1.0563, 0.2526],
[-0.4205, 0.2026, 0.2376, -0.3273],
[-0.6187, 0.3032, -0.0050, -0.6948]])
torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]]) # 直接赋值法构建张量
tensor([[2, 1, 4, 3],
[1, 2, 3, 4],
[4, 3, 2, 1]])
一些最简单且最有用的操作是 按元素(elementwise) 操作。它们将标准标量运算符应用于数组的每个元素。
x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
x + y, x - y, x * y, x / y, x**y # **运算符是求幂运算
(tensor([ 3., 4., 6., 10.]),
tensor([-1., 0., 2., 6.]),
tensor([ 2., 4., 8., 16.]),
tensor([0.5000, 1.0000, 2.0000, 4.0000]),
tensor([ 1., 4., 16., 64.]))
torch.exp(x)
tensor([2.7183e+00, 7.3891e+00, 5.4598e+01, 2.9810e+03])
X = torch.arange(12, dtype=torch.float32).reshape((3, 4))
Y = torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
torch.cat((X, Y), dim=0), torch.cat((X, Y), dim=1)
(tensor([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.],
[ 2., 1., 4., 3.],
[ 1., 2., 3., 4.],
[ 4., 3., 2., 1.]]),
tensor([[ 0., 1., 2., 3., 2., 1., 4., 3.],
[ 4., 5., 6., 7., 1., 2., 3., 4.],
[ 8., 9., 10., 11., 4., 3., 2., 1.]]))
X == Y
tensor([[False, True, False, True],
[False, False, False, False],
[False, False, False, False]])
X.sum()
tensor(66.)
在这里面有一个很有意思的机制非常值得注意,如果你对这个不了解,可能是后续再进行数据处理的时候会容易出错,也许一开始处理的数据不是按照你所预想的方式进行操作,从而导致最后的得到的结果差强人意。
这个机制就是广播机制(broadcasting mechanism)。这种机制的工作方式如下:
a = torch.arange(3).reshape((3, 1))
b = torch.arange(2).reshape((1, 2))
a, b, a + b
(tensor([[0],
[1],
[2]]),
tensor([[0, 1]]),
tensor([[0, 1],
[1, 2],
[2, 3]]))
对于这部分的知识我就不在此处赘述了,索引和切片相信大家都非常熟悉的,除了在这里其他时候也经常使用,numpy也好,其他语言也有这样的。因此如果还有不熟悉的朋友可以点击传送门索引和切片进行学习~~
在python中,内存需要值得引起注意。运行一些操作可能会导致为新结果分配内存。例如,如果我们用 Y = X + Y,我们将取消引用 Y 指向的张量,而是指向新分配的内存处的张量。
before = id(Y)
Y = Y + X
id(Y) == before
False
Python 首先计算 Y + X,为结果分配新的内存,然后使 Y 指向内存中的这个新位置。
重新分配内存有时候是不被建议的。
当然我们执行原地操作也很简单:
Z = torch.zeros_like(Y)
print('id(Z):', id(Z))
Z[:] = X + Y
print('id(Z):', id(Z))
id(Z): 140240382523520
id(Z): 140240382523520
如果在后续的计算中没有重复使用 X,我们也可以使用 X[ : ] = X + Y 或 X += Y 来减少操作的内存开销:
before = id(X)
X += Y
id(X) == before
True
A = X.numpy()
B = torch.tensor(A)
type(A), type(B)
(numpy.ndarray, torch.Tensor)
要将大小为1的张量转换为 Python 标量,我们可以调用 item 函数或 Python 的内置函数:
a = torch.tensor([3.5])
a, a.item(), float(a), int(a)
(tensor([3.5000]), 3.5, 3.5, 3)
深度学习存储和操作数据的主要接口是张量( n n n 维数组)。它提供了各种功能,包括基本数学运算、广播、索引、切片、内存节省和转换其他 Python 对象。
打好这些基础才能在接下来的学习中更加游刃有余。
问题1:运行本节中的代码。将本节中的条件语句 X == Y 更改为 X < Y 或 X > Y,然后看看你可以得到什么样的张量。
import torch
x = torch.arange( 12, dtype = torch.float32 ).reshape(3, 4)
y = torch.tensor( [[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]] )
x > y, x < y
(tensor([[False, False, False, False],
[ True, True, True, True],
[ True, True, True, True]]),
tensor([[ True, False, True, False],
[False, False, False, False],
[False, False, False, False]]))
问题2:用其他形状(例如三维张量)替换广播机制中按元素操作的两个张量。结果是否与预期相同?
import torch
a = torch.arange(6).reshape((2, 3, 1))
b = torch.arange(4).reshape((1, 1, 4))
a, b, a + b
(tensor([[[0],
[1],
[2]],
[[3],
[4],
[5]]]),
tensor([[[0, 1, 2, 3]]]),
tensor([[[0, 1, 2, 3],
[1, 2, 3, 4],
[2, 3, 4, 5]],
[[3, 4, 5, 6],
[4, 5, 6, 7],
[5, 6, 7, 8]]]))
这一节就到这了,我们下一节再见~~