pytorch升级打怪（二）

简介

张量是一种专门的数据结构，与数组和矩阵非常相似。在PyTorch中，我们使用张量来编码模型的输入和输出，以及模型的参数。

张量与NumPy的ndarrays相似，只是张量可以在GPU或其他硬件加速器上运行。事实上，张量和NumPy数组通常可以共享相同的底层内存，无需复制数据（请参阅带有NumPy的桥接）。张量也针对自动分化进行了优化（我们稍后将在Autograd部分看到更多信息）。如果您熟悉ndarrays，您就可以在家使用Tensor API。如果没有，请跟随！

初始化张量

import torch
import numpy as np

#直接来自数据
#张量可以直接从数据中创建。数据类型被自动推断。

data = [[1, 2],[3, 4]]
x_data = torch.tensor(data)

#从NumPy数组
#张量可以从NumPy数组创建（反之亦然-请参阅带有NumPy的桥接）。

np_array = np.array(data)
x_np = torch.from_numpy(np_array)

#来自另一个张量：
#新张量保留参数张量的属性（形状、数据类型），除非明确覆盖。

x_ones = torch.ones_like(x_data) # retains the properties of x_data
print(f"Ones Tensor: \n {x_ones} \n")

x_rand = torch.rand_like(x_data, dtype=torch.float) # overrides the datatype of x_data
print(f"Random Tensor: \n {x_rand} \n")
#随机或恒定值：
#shape是张量维度的元组。在下面的函数中，它决定了输出张量的维度。

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}")
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35

张量的属性

张量属性描述它们的形状、数据类型以及存储它们的设备。

tensor = torch.rand(3,4)

print(f"Shape of tensor: {tensor.shape}")
print(f"Datatype of tensor: {tensor.dtype}")
print(f"Device tensor is stored on: {tensor.device}")

1
2
3
4
5
6
7

Shape of tensor: torch.Size([3, 4])
Datatype of tensor: torch.float32
Device tensor is stored on: cpu
1
2
3
4

张量的操作

这里全面描述了100多个张量运算，包括算术、线性代数、矩阵操作（转位、索引、切片）、采样等。

这些操作中的每一个都可以在GPU上运行（通常速度比CPU快）。如果您使用的是Colab，请转到运行时>更改运行时类型>GPU来分配GPU。

默认情况下，张量是在CPU上创建的。我们需要使用.to方法（在检查GPU可用性后）明确地将张量移动到GPU。请记住，在设备之间复制大张量在时间和内存方面可能很昂贵！

# We move our tensor to the GPU if available
if torch.cuda.is_available():
    tensor = tensor.to("cuda")
1
2
3

标准numpy样索引和切片

tensor = torch.ones(4, 4)
print(f"First row: {tensor[0]}")
print(f"First column: {tensor[:, 0]}")
print(f"Last column: {tensor[..., -1]}")
tensor[:,1] = 0
print(tensor)

1
2
3
4
5
6
7
8

First row: tensor([1., 1., 1., 1.])
First column: tensor([1., 1., 1., 1.])
Last column: tensor([1., 1., 1., 1.])
tensor([[1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.]])
1
2
3
4
5
6
7

算术运算

# This computes the matrix multiplication between two tensors. y1, y2, y3 will have the same value
# ``tensor.T`` returns the transpose of a tensor
y1 = tensor @ tensor.T
y2 = tensor.matmul(tensor.T)

y3 = torch.rand_like(y1)
torch.matmul(tensor, tensor.T, out=y3)


# This computes the element-wise product. z1, z2, z3 will have the same value
z1 = tensor * tensor
z2 = tensor.mul(tensor)

z3 = torch.rand_like(tensor)
torch.mul(tensor, tensor, out=z3)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

tensor([[1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.]])
1
2
3
4
5

单元素张量 如果您有一个单元素张量，例如通过将张量的所有值聚合到一个值中，您可以使用item()将其转换为Python数值：

agg = tensor.sum()
agg_item = agg.item()
print(agg_item, type(agg_item))

1
2
3
4
5

12.0 <class 'float'>

1
2
3

将结果存储到操作数中的就地操作称为就地操作。它们用一个_后缀表示。例如：x.copy_(y)x.t_()将更改x。

print(f"{tensor} \n")
tensor.add_(5)
print(tensor)

1
2
3
4
5

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.]])
1
2
3
4
5
6
7
8
9
10

备注：就地操作可以节省一些内存，但在计算衍生品时可能会有问题，因为历史会立即丢失。因此，不鼓励使用它们。

与NumPy的桥梁

cpu和NumPy阵列上的张量可以共享其底层内存位置，更改一个将改变另一个

张量到NumPy数组

t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")

1
2
3
4
5
6

t: tensor([1., 1., 1., 1., 1.])
n: [1. 1. 1. 1. 1.]
1
2

张量的变化反映在NumPy数组中。

t.add_(1)
print(f"t: {t}")
print(f"n: {n}")

1
2
3
4
5

t: tensor([2., 2., 2., 2., 2.])
n: [2. 2. 2. 2. 2.]

1
2
3
4

NumPy阵列到张量

n = np.ones(5)
t = torch.from_numpy(n)
1
2
3

NumPy数组的变化反映在张量中。

np.add(n, 1, out=n)
print(f"t: {t}")
print(f"n: {n}")

1
2
3
4
5

t: tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
n: [2. 2. 2. 2. 2.]

1
2
3
4