【深度学习】Pytorch 系列教程（一）：PyTorch数据结构：1、Tensor（张量）：维度（Dimensions）、数据类型（Data Types）

目录

一、前言

二、实验环境

三、PyTorch数据结构

0、分类

1、Tensor（张量）

1. 维度（Dimensions）

0维（标量）

1维（向量）

2维（矩阵）

3维张量

2. 数据类型（Data Types）

---

一、前言

ChatGPT：

        PyTorch是一个开源的机器学习框架，广泛应用于深度学习领域。它提供了丰富的工具和库，用于构建和训练各种类型的神经网络模型。下面是PyTorch的一些详细介绍：

1. 动态计算图：PyTorch使用动态计算图的方式进行计算，这意味着在运行时可以动态地定义、修改和调整计算图，使得模型的构建和调试更加灵活和直观。

2. 强大的GPU加速支持：PyTorch充分利用GPU进行计算，可以大幅提升训练和推理的速度。它提供了针对GPU的优化操作和内存管理，使得在GPU上运行模型更加高效。

3. 自动求导：PyTorch内置了自动求导的功能，可以根据定义的计算图自动计算梯度。这简化了反向传播算法的实现，使得训练神经网络模型更加便捷。

4. 大量的预训练模型和模型库：PyTorch生态系统中有许多预训练的模型和模型库可供使用，如TorchVision、TorchText和TorchAudio等，可以方便地加载和使用这些模型，加快模型开发的速度。

5. 高级抽象接口：PyTorch提供了高级抽象接口，如nn.Module和nn.functional，用于快速构建神经网络模型。这些接口封装了常用的神经网络层和函数，简化了模型的定义和训练过程。

6. 支持分布式训练：PyTorch支持在多个GPU和多台机器上进行分布式训练，可以加速训练过程，处理大规模的数据和模型。

        总体而言，PyTorch提供了一个灵活而强大的平台，使得深度学习的研究和开发更加便捷和高效。它的简洁的API和丰富的功能使得用户可以快速实现复杂的神经网络模型，并在各种任务中取得优秀的性能。

二、实验环境

        本系列实验使用如下环境

conda create -n DL python=3.7 

conda activate DL

pip install torch==1.8.1+cu102 torchvision==0.9.1+cu102 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html

conda install matplotlib

关于配置环境问题，可参考前文的惨痛经历：

Anaconda搭建深度学习环境py 3.7：tensorflow-gpu2.3.0、pytorch1.12.1_gpu版本；（使用conda下载cuda和cudnn）；配置环境经验总结_anaconda下载tensorflow_QomolangmaH的博客-CSDN博客https://blog.csdn.net/m0_63834988/article/details/128841527?spm=1001.2014.3001.5502

三、PyTorch数据结构

0、分类

• Tensor（张量）：Tensor是PyTorch中最基本的数据结构，类似于多维数组。它可以表示标量、向量、矩阵或任意维度的数组。
  • Tensor的操作：PyTorch提供了丰富的操作函数，用于对Tensor进行各种操作，如数学运算、统计计算、张量变形、索引和切片等。这些操作函数能够高效地利用GPU进行并行计算，加速模型训练过程。
• Variable（变量）：Variable是对Tensor的封装，用于自动求导。在PyTorch中，Variable会自动跟踪和记录对其进行的操作，从而构建计算图并支持自动求导。在PyTorch 0.4.0及以后的版本中，Variable被废弃，可以直接使用Tensor来进行自动求导。
• Dataset（数据集）：Dataset是一个抽象类，用于表示数据集。通过继承Dataset类，可以自定义数据集，并实现数据加载、预处理和获取样本等功能。PyTorch还提供了一些内置的数据集类，如MNIST、CIFAR-10等，用于方便地加载常用的数据集。
• DataLoader（数据加载器）：DataLoader用于将Dataset中的数据按批次加载，并提供多线程和多进程的数据预读功能。它可以高效地加载大规模的数据集，并支持数据的随机打乱、并行加载和数据增强等操作。
• Module（模块）：Module是PyTorch中用于构建模型的基类。通过继承Module类，可以定义自己的模型，并实现前向传播和反向传播等方法。Module提供了参数管理、模型保存和加载等功能，方便模型的训练和部署。

1、Tensor（张量）

        Tensor（张量）是PyTorch中用于表示多维数据的主要数据结构。在PyTorch中，张量类似于多维数组，可以存储和操作数字数据。

1. 维度（Dimensions）

        Tensor（张量）的维度（Dimensions）是指张量的轴数或阶数。在PyTorch中，可以使用size()方法获取张量的维度信息，使用dim()方法获取张量的轴数。

0维（标量）

import torch

# 创建0维张量（标量）
scalar = torch.tensor(5)
print("0维张量（标量）:")
print(scalar)
print("维度信息:", scalar.size())
print("轴数:", scalar.dim())

1维（向量）

import torch

# 创建1维张量（向量）
vector = torch.tensor([1, 2, 3, 4, 5])
print("\n1维张量（向量）:")
print(vector)
print("维度信息:", vector.size())
print("轴数:", vector.dim())

2维（矩阵）

import torch

# 创建2维张量（矩阵）
matrix = torch.tensor([[1, 2, 3], [4, 5, 6]])
print("\n2维张量（矩阵）:")
print(matrix)
print("维度信息:", matrix.size())
print("轴数:", matrix.dim())

3维张量

import torch

# 创建3维张量
tensor_3d = torch.tensor([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
print("\n3维张量:")
print(tensor_3d)
print("维度信息:", tensor_3d.size())
print("轴数:", tensor_3d.dim())

        在上面的代码中，创建了一个3维张量tensor，它有2个维度为2x3的矩阵。通过调用size()方法，我们可以获取张量的维度信息，返回的是一个torch.Size对象，它是一个元组(tuple)形式的数据结构，表示各个维度的大小。在这个例子中，tensor的维度信息是[2, 2, 3]，表示有2个矩阵，每个矩阵的大小为2x3。通过调用dim()方法，我们可以得到张量的轴数，这里是3。

2. 数据类型（Data Types）

        PyTorch中的张量可以具有不同的数据类型：

• torch.float32或torch.float：32位浮点数张量。
• torch.float64或torch.double：64位浮点数张量。
• torch.float16或torch.half：16位浮点数张量。
• torch.int8：8位整数张量。
• torch.int16或torch.short：16位整数张量。
• torch.int32或torch.int：32位整数张量。
• torch.int64或torch.long：64位整数张量。
• torch.bool：布尔张量，存储True或False。

        在创建张量时，可以通过指定dtype参数来设置所需的数据类型。例如，要创建一个64位浮点数张量，可以使用以下代码：

import torch

tensor = torch.tensor([1, 2, 3], dtype=torch.float64)
print(tensor)
print(tensor.dtype)

输出：

tensor([1., 2., 3.], dtype=torch.float64)
torch.float64