1. 张量¶

1.1. 概述¶

张量（tensor）是pytorch中的一种较为基础的数据结构，类比于numpy中的ndarrays，在pytorch中，张量可以在GPU中进行运算

通过以下命令，我们导入pytorch和numpy：

In [1]:

import torch

import numpy as np

1.2. 张量初始化¶

1.2.1. 直接生成张量¶

In [2]:

data = [[1, 2], [3, 4]]

x_data = torch.tensor(data)

In [3]:

x_data

Out[3]:

tensor([[1, 2],

        [3, 4]])

1.2.2. ndarrays转化¶

In [4]:

np_array = np.array(data)

x_np = torch.from_numpy(np_array)

In [5]:

x_np

Out[5]:

tensor([[1, 2],

        [3, 4]])

1.2.3. 通过已有张量生成¶

继承结构与数据类型：

In [6]:

x_ones = torch.ones_like(x_data)

In [7]:

x_ones

Out[7]:

tensor([[1, 1],

        [1, 1]])

继承结构，改变数据类型：

In [8]:

x_rand = torch.rand_like(x_data, dtype=torch.float)

In [9]:

x_rand

Out[9]:

tensor([[0.9849, 0.3644],

        [0.0800, 0.2939]])

1.2.4. 指定维数生成张量¶

用元组类型的数据指定维数：

In [10]:

shape = (2, 3)

生成张量：

In [11]:

torch.ones(shape)

Out[11]:

tensor([[1., 1., 1.],

        [1., 1., 1.]])

In [12]:

torch.zeros(shape)

Out[12]:

tensor([[0., 0., 0.],

        [0., 0., 0.]])

In [13]:

torch.rand(shape)

Out[13]:

tensor([[0.1744, 0.3771, 0.7969],

        [0.7098, 0.9853, 0.3950]])

1.3. 张量属性¶

维数：

In [14]:

x_data.shape

Out[14]:

torch.Size([2, 2])

数据类型：

In [15]:

x_data.dtype

Out[15]:

torch.int64

存储设备：

In [16]:

x_data.device

Out[16]:

device(type='cpu')

1.4. 张量计算¶

GPU对于张量的计算更快，检测GPU是否可用：

In [17]:

torch.cuda.is_available()

Out[17]:

False

显然，对于笔者设备来说，由于没有显卡，GPU加速是不可用的，如果设备GPU可用，可以将CPU中的数据导入GPU：

In [18]:

if torch.cuda.is_available():

    tensor = x_data.to('cuda')

1.4.1. 索引和切片¶

In [19]:

tensor = torch.ones((3, 4))

In [20]:

tensor

Out[20]:

tensor([[1., 1., 1., 1.],

        [1., 1., 1., 1.],

        [1., 1., 1., 1.]])

类比于ndarrays，tensor也可理解为是一个多维数组，以下表示将tensor变量的第一行、第一列变为0：

In [21]:

tensor[1, 1] = 0

In [22]:

tensor

Out[22]:

tensor([[1., 1., 1., 1.],

        [1., 0., 1., 1.],

        [1., 1., 1., 1.]])

以下表示将tensor变量的第三列变为0：

In [23]:

tensor[:, 3] = 0

In [24]:

tensor

Out[24]:

tensor([[1., 1., 1., 0.],

        [1., 0., 1., 0.],

        [1., 1., 1., 0.]])

1.4.2. 张量的拼接¶

In [25]:

tensor1 = torch.ones((3, 4))

tensor2 = torch.zeros((3, 4))

使用torch.cat()方法，指定维数进行拼接:

In [26]:

torch.cat([tensor1, tensor2], dim=1)

Out[26]:

tensor([[1., 1., 1., 1., 0., 0., 0., 0.],

        [1., 1., 1., 1., 0., 0., 0., 0.],

        [1., 1., 1., 1., 0., 0., 0., 0.]])

In [27]:

torch.cat([tensor1, tensor2], dim=0)

Out[27]:

tensor([[1., 1., 1., 1.],

        [1., 1., 1., 1.],

        [1., 1., 1., 1.],

        [0., 0., 0., 0.],

        [0., 0., 0., 0.],

        [0., 0., 0., 0.]])

In [28]:

torch.cat([tensor1, tensor2], dim=-1)

Out[28]:

tensor([[1., 1., 1., 1., 0., 0., 0., 0.],

        [1., 1., 1., 1., 0., 0., 0., 0.],

        [1., 1., 1., 1., 0., 0., 0., 0.]])

In [29]:

torch.cat([tensor1, tensor2], dim=-2)

Out[29]:

tensor([[1., 1., 1., 1.],

        [1., 1., 1., 1.],

        [1., 1., 1., 1.],

        [0., 0., 0., 0.],

        [0., 0., 0., 0.],

        [0., 0., 0., 0.]])

In [30]:

torch.cat([tensor1, tensor2, tensor], dim=-2)

Out[30]:

tensor([[1., 1., 1., 1.],

        [1., 1., 1., 1.],

        [1., 1., 1., 1.],

        [0., 0., 0., 0.],

        [0., 0., 0., 0.],

        [0., 0., 0., 0.],

        [1., 1., 1., 0.],

        [1., 0., 1., 0.],

        [1., 1., 1., 0.]])

此处实验 dim = 2 时，有:

In [31]:

torch.cat([tensor1, tensor2], dim=2)

---------------------------------------------------------------------------

IndexError                                Traceback (most recent call last)

<ipython-input-31-dc57fe12e880> in <module>

----> 1 torch.cat([tensor1, tensor2], dim=2)

IndexError: Dimension out of range (expected to be in range of [-2, 1], but got 2)

根据官网示例，此处dim的取值主要是0和1：

x = torch.randn(2, 3)

torch.cat((x, x, x), 0)

torch.cat((x, x, x), 1)

综上，dim的取值有 -2、-1、0、1，然而-2、-1与0、1的意思似乎是一样的

1.4.3. 张量的乘积与矩阵乘法¶

逐个元素相乘：

In [32]:

tensor.mul(tensor)

Out[32]:

tensor([[1., 1., 1., 0.],

        [1., 0., 1., 0.],

        [1., 1., 1., 0.]])

等价于：

In [33]:

tensor * tensor

Out[33]:

tensor([[1., 1., 1., 0.],

        [1., 0., 1., 0.],

        [1., 1., 1., 0.]])

张量与张量的矩阵乘法：

In [34]:

tensor.matmul(tensor.T)

Out[34]:

tensor([[3., 2., 3.],

        [2., 2., 2.],

        [3., 2., 3.]])

等价于：

In [35]:

tensor @ tensor.T

Out[35]:

tensor([[3., 2., 3.],

        [2., 2., 2.],

        [3., 2., 3.]])

1.4.4. 自动赋值运算¶

自增运算:

In [36]:

tensor

Out[36]:

tensor([[1., 1., 1., 0.],

        [1., 0., 1., 0.],

        [1., 1., 1., 0.]])

In [37]:

tensor.add_(5)

Out[37]:

tensor([[6., 6., 6., 5.],

        [6., 5., 6., 5.],

        [6., 6., 6., 5.]])

In [38]:

tensor

Out[38]:

tensor([[6., 6., 6., 5.],

        [6., 5., 6., 5.],

        [6., 6., 6., 5.]])

复制运算：

In [39]:

tensor.copy_(tensor1)

Out[39]:

tensor([[1., 1., 1., 1.],

        [1., 1., 1., 1.],

        [1., 1., 1., 1.]])

In [40]:

tensor

Out[40]:

tensor([[1., 1., 1., 1.],

        [1., 1., 1., 1.],

        [1., 1., 1., 1.]])

注意:自动赋值运算可以节省内存，但是会导致一些中间过程的问题

1.5. Tensor与Numpy的转换¶

1.5.1. Tensor转换为Numpy¶

In [41]:

tensor

Out[41]:

tensor([[1., 1., 1., 1.],

        [1., 1., 1., 1.],

        [1., 1., 1., 1.]])

In [42]:

np_t = tensor.numpy()

In [43]:

np_t

Out[43]:

array([[1., 1., 1., 1.],

       [1., 1., 1., 1.],

       [1., 1., 1., 1.]], dtype=float32)

In [44]:

tensor.add_(5)

Out[44]:

tensor([[6., 6., 6., 6.],

        [6., 6., 6., 6.],

        [6., 6., 6., 6.]])

In [45]:

np_t

Out[45]:

array([[6., 6., 6., 6.],

       [6., 6., 6., 6.],

       [6., 6., 6., 6.]], dtype=float32)

可见：Tensor和Numpy共用内存，一个改变时另一个也改变

1.5.2. Numpy转Tensor¶

In [46]:

np_t

Out[46]:

array([[6., 6., 6., 6.],

       [6., 6., 6., 6.],

       [6., 6., 6., 6.]], dtype=float32)

In [47]:

tensor

Out[47]:

tensor([[6., 6., 6., 6.],

        [6., 6., 6., 6.],

        [6., 6., 6., 6.]])

In [48]:

t_np = torch.from_numpy(np_t)

In [49]:

t_np

Out[49]:

tensor([[6., 6., 6., 6.],

        [6., 6., 6., 6.],

        [6., 6., 6., 6.]])

In [50]:

np.add(np_t, 1, out=np_t)

Out[50]:

array([[7., 7., 7., 7.],

       [7., 7., 7., 7.],

       [7., 7., 7., 7.]], dtype=float32)

In [51]:

t_np

Out[51]:

tensor([[7., 7., 7., 7.],

        [7., 7., 7., 7.],

        [7., 7., 7., 7.]])

In [52]:

np.add(np_t, 1)

Out[52]:

array([[8., 8., 8., 8.],

       [8., 8., 8., 8.],

       [8., 8., 8., 8.]], dtype=float32)

In [53]:

t_np

Out[53]:

tensor([[7., 7., 7., 7.],

        [7., 7., 7., 7.],

        [7., 7., 7., 7.]])

可见：np.add()指定out=时才会重新赋值

1.6. 参考资料：¶

pytorch中文教程

pytorch学习笔记一之张量的更多相关文章

[PyTorch 学习笔记] 1.3 张量操作与线性回归
本章代码:https://github.com/zhangxiann/PyTorch_Practice/blob/master/lesson1/linear_regression.py 张量的操作拼 ...
[PyTorch 学习笔记] 1.2 Tensor(张量)介绍
本章代码: https://github.com/zhangxiann/PyTorch_Practice/blob/master/lesson1/tensor_introduce1.py https: ...
Pytorch学习笔记（二）---- 神经网络搭建
记录如何用Pytorch搭建LeNet-5,大体步骤包括:网络的搭建->前向传播->定义Loss和Optimizer->训练 # -*- coding: utf-8 -*- # Al ...
Pytorch学习笔记（一）---- 基础语法
书上内容太多太杂,看完容易忘记,特此记录方便日后查看,所有基础语法以代码形式呈现,代码和注释均来源与书本和案例的整理. # -*- coding: utf-8 -*- # All codes and ...
【pytorch】pytorch学习笔记（一）
原文地址:https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html 什么是pytorch? pytorch是一个基于p ...
[PyTorch 学习笔记] 1.4 计算图与动态图机制
本章代码:https://github.com/zhangxiann/PyTorch_Practice/blob/master/lesson1/computational_graph.py 计算图深 ...
[PyTorch 学习笔记] 2.2 图片预处理 transforms 模块机制
PyTorch 的数据增强我们在安装PyTorch时,还安装了torchvision,这是一个计算机视觉工具包.有 3 个主要的模块: torchvision.transforms: 里面包括常用的 ...
[PyTorch 学习笔记] 4.3 优化器
本章代码: https://github.com/zhangxiann/PyTorch_Practice/blob/master/lesson4/optimizer_methods.py https: ...
【深度学习】Pytorch 学习笔记
目录 Pytorch Leture 05: Linear Rregression in the Pytorch Way Logistic Regression 逻辑回归 - 二分类 Lecture07 ...
Pytorch学习笔记（二）——Tensor
一.对Tensor的操作从接口的角度讲,对Tensor的操作可以分为两类: (1)torch.function (2)tensor.function 比如torch.sum(a, b)实际上和a.s ...

随机推荐

Android ViewPager2 + TabLayout + BottomNavigationView
Android ViewPager2 + TabLayout + BottomNavigationView 实际案例本篇主要介绍一下 ViewPager2 + TabLayout + BottomN ...
pandas中groupby的使用
一.缘由在爬取大量的数据之后,需要对数据进行分组的处理,于是就使用了groupby,但是我需要的并不是分组之后数据的聚合分析,我需要的是原生的某些数据.但是却找不到网上的相关案例.于是,我就自己尝试 ...
pyqt5制作俄罗斯方块小游戏-----源码解析
一.前言最近学习pyqt5中文教程时,最后一个例子制作了一个俄罗斯方块小游戏,由于解释的不是很清楚,所以源码有点看不懂,查找网上资料后,大概弄懂了源码的原理. 二.绘制主窗口将主窗口居中,且设置了 ...
SQLMap入门——获取当前网站数据库的用户名称
列出当前网站使用的数据库用户 python sqlmap.py -u http://localhost/sqli-labs-master/Less-1/?id=1 --current-user
推荐8个提高工作效率的IntelliJ插件
前言欢迎关注微信公众号「JAVA旭阳」交流和学习 IntelliJ目前已经成为市面上最受欢迎的Java开发工具,这得益于里面非常丰富的插件机制.本文我将分享在日常开发中我经常使用的5个插件,它们可以 ...
LeetCode HOT 100：子集(简单易懂的回溯)
题目:78. 子集题目描述: 给你一个整数数组,数组中元素互不相同.返回数组中所有可能的子集,且子集不能重复! 什么是子集?举个例子:原数组[1, 2, 3],[].[1].[1, 2].[1, 3 ...
Spring IOC官方文档学习笔记（一）之IOC容器概述
1.IOC容器简介 (1) org.springframework.beans 与 org.springframework.context 这两个包是Spring IOC容器的基础,在org.spri ...
[OpenCV实战]52 在OpenCV中使用颜色直方图
颜色直方图是一种常见的图像特征,顾名思义颜色直方图就是用来反映图像颜色组成分布的直方图.颜色直方图的横轴表示像素值或像素值范围,纵轴表示该像素值范围内像素点的个数或出现频率.颜色直方图属于计算机视觉中 ...
Codeforces Round #845 (Div. 2) and ByteRace 2023 A-D
Codeforces Round #845 (Div. 2) and ByteRace 2023 A-D A. Everybody Likes Good Arrays! 题意:对给定数组进行操作:删除 ...
pycharm编辑器下载与使用
pycharm编辑器下载与使用一.pycharm编辑器 1.pycharm编辑器 PyCharm是一种Python IDE,带有一整套可以帮助用户在使用Python语言开发时提高其效率的工具.比如调 ...

pytorch学习笔记一之张量