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

JavaScript冒泡排序+Vue可视化冒泡动画
冒泡排序(Bubble Sort)算是前端最简单的算法,也是最经典的排序算法了.网上JavaScript版本的冒泡排序很多,今天用Vue实现一个动态的可视化冒泡排序. 01.JavaScript冒泡排 ...
Django(2) - Django模板
1.Django模板介绍基础概念模板是具有一定的格式或骨架,可以动态的生成HTML 模板引擎决定以何种方式组织代码一个项目可以有一个或者是多个模板引擎,Django里面主要两个模板引擎:DTL. ...
WCF 服务容器化的一些问题
背景目前项目当中存有 .NET Framework 和 .NET Core 两种类型的项目,但是都需要进行容器化将其分别部署在 Windows 集群和 Linux 集群当中.在 WCF 进行容器化的 ...
CentOS7升级Linux内核
CentOS7升级Linux内核什么是Linux内核虽然时候使用 Linux 来表示整个操作系统,严格地说,Linux 只是个内核,而发行版的操作系统是一个完整功能的系统,它建立在内核之上,具有各 ...
tempdb数据文件暴增分析
背景某客户tempdb数据文件突然暴增,导致磁盘可用空间紧张,让我们找到暴增的原因. 现象登录到SQL专家云,通过趋势分析进行回溯,在4月12日,tempdb数据文件在3个小时内从10GB涨到了8 ...
快速排序——C++左闭右开区间实现
代码 #include<iostream> #include<vector> using namespace std; class Solution { public: //快 ...
C#调用js库的方法
前言用.net6开发一个Winform程序,处理Excel文件,并把结果导出Excel文件. 要用到两个算法,一是turf.js库的booleanPointInPolygon方法,判断经纬度坐标是否 ...
Java基础学习笔记-Java数据类型转换-(～￣▽￣)～
JAVA数据类型和JS数据类型转换不一样,因为它是强类型语言嘛类型转换规则不允许数值类型和布尔类型转换整型.实型.字符型数据可以混合运算类型转换分类自动类型转换-隐式转换 1．整数转换为小 ...
如何使用MASA.Blazor
MASA.Blazor 是什么? 基于Material Design设计和BlazorComponent的交互能力提供标准的基础组件库.提供如布局.弹框标准.Loading.全局异常处理等标准场景的预 ...
mov eax,dword ptr[0x00aff834] 和 lea eax,[0x00aff834]区别
mov eax,dword ptr[0x00aff834] 和 lea eax,[0x00aff834]区别 mov eax,[内存]是将内存的值赋值给eax,而lea是直接将地址值赋值给eax 因此 ...

pytorch学习笔记一之张量