【小白学PyTorch】9 tensor数据结构与存储结构

文章来自微信公众号【机器学习炼丹术】。

上一节课，讲解了MNIST图像分类的一个小实战，现在我们继续深入学习一下pytorch的一些有的没的的小知识来作为只是储备。

参考目录：

@

1 pytorch数据结构
2 torch vs numpy
- 2.1 两者转换
- 2.2 两者区别
3 张量

1 pytorch数据结构

1.1 默认整数与浮点数

【pytorch默认的整数是int64】

pytorch的默认整数是用64个比特存储，也就是8个字节（Byte）存储的。

【pytorch默认的浮点数是float32】

pytorch的默认浮点数是用32个比特存储，也就是4个字节（Byte）存储的。

import torch

import numpy as np

#----------------------

print('torch的浮点数与整数的默认数据类型')

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

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

print(a,a.dtype)

print(b,b.dtype)

输出：

torch的浮点数与整数的默认数据类型

tensor([1, 2, 3]) torch.int64

tensor([1., 2., 3.]) torch.float32

1.2 dtype修改变量类型

print('torch的浮点数与整数的默认数据类型')

a = torch.tensor([1,2,3],dtype=torch.int8)

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

print(a,a.dtype)

print(b,b.dtype)

输出结果：

torch的浮点数与整数的默认数据类型

tensor([1, 2, 3], dtype=torch.int8) torch.int8

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

1.3 变量类型有哪些

张量的数据类型其实和numpy.array基本一一对应，除了不支持str,主要有下面几种形式：

torch.float64 # 等同于（torch.double）

torch.float32 # 默认,FloatTensor

torch.float16

torch.int64   # 等同于torch.long

torch.int32   # 默认

torch.int16

torch.int8

torch.uint8   # 二进制码，表示0-255

torch.bool

在创建变量的时候，想要创建指定的变量类型，上文中提到了用dtype关键字来控制，但是我个人更喜欢使用特定的构造函数：

print('torch的构造函数')

a = torch.IntTensor([1,2,3])

b = torch.LongTensor([1,2,3])

c = torch.FloatTensor([1,2,3])

d = torch.DoubleTensor([1,2,3])

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

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

print(a.dtype)

print(b.dtype)

print(c.dtype)

print(d.dtype)

print(e.dtype)

print(f.dtype)

输出结果：

torch的构造函数

torch.int32

torch.int64

torch.float32

torch.float64

torch.int64

torch.float32

因此我们可以得到结果：

torch.IntTensor对应torch.int32
torch.LongTensor对应torch.int64,LongTensor常用在深度学习中的标签值 ，比方说分类任务中的类别标签0，1，2，3等，要求用ing64的数据类型；
torch.FloatTensor对应torch.float32。FloatTensor常用做深度学习中可学习参数或者输入数据的类型
torch.DoubleTensor对应torch.float64
torch.tensor则有一个推断的能力，加入输入的数据是整数，则默认int64，相当于LongTensor；假如输入数据是浮点数，则默认float32，相当于FLoatTensor。刚好对应深度学习中的标签和参数的数据类型，所以一般情况下，直接使用tensor就可以了，但是假如出现报错的时候，也要学会使用dtype或者构造函数来确保数据类型的匹配

1.4 数据类型转换

【使用torch.float()方法】

print('数据类型转换')

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

b = a.float()

c = a.double()

d = a.long()

print(b.dtype)

print(c.dtype)

print(d.dtype)

>>> 数据类型转换

>>> torch.float32

>>> torch.float64

>>> torch.int64

我个人比较习惯这个的方法。

【使用type方法】

b = a.type(torch.float32)

c = a.type(torch.float64)

d = a.type(torch.int64)

print(b.dtype) # torch.float32

print(c.dtype) # torch.float64

print(d.dtype) # torch.int64

2 torch vs numpy

PyTorch是一个python包，目的是加入深度学习应用， torch基本上是实现了numpy的大部分必要的功能，并且tensor是可以利用GPU进行加速训练的。

2.1 两者转换

转换时非常非常简单的：

import torch

import numpy as np

a = np.array([1.,2.,3.])

b = torch.tensor(a)

c = b.numpy()

print(a)

print(b)

print(c)

输出结果：

[1. 2. 3.]

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

[1. 2. 3.]

下面的内容就变得有点意思了，是内存复制相关的。假如a和b两个变量共享同一个内存，那么改变a的话，b也会跟着改变；如果a和b变量的内存复制了，那么两者是两个内存，所以改变a是不会改变b的。下面是讲解numpy和torch互相转换的时候，什么情况是共享内存，什么情况下是内存复制 （其实这个问题，也就是做个了解罢了，无用的小知识）

【Tensor()转换】

当numpy的数据类型和torch的数据类型相同时，共享内存；不同的时候，内存复制

print('numpy 和torch互相转换1')

a = np.array([1,2,3],dtype=np.float64)

b = torch.Tensor(a)

b[0] = 999

print('共享内存' if a[0]==b[0] else '不共享内存')

>>> 不共享内存

因为np.float64和torch.float32数据类型不同

print('numpy 和torch互相转换2')

a = np.array([1,2,3],dtype=np.float32)

b = torch.Tensor(a)

b[0] = 999

print('共享内存' if a[0]==b[0] else '不共享内存')

>>> 共享内存

因为np.float32和torch.float32数据类型相同

【from_numpy()转换】

print('from_numpy()')

a = np.array([1,2,3],dtype=np.float64)

b = torch.from_numpy(a)

b[0] = 999

print('共享内存' if a[0]==b[0] else '不共享内存')

>>> 共享内存

a = np.array([1,2,3],dtype=np.float32)

b = torch.from_numpy(a)

b[0] = 999

print('共享内存' if a[0]==b[0] else '不共享内存')

>>> 共享内存

如果你使用from_numpy()的时候，不管是什么类型，都是共享内存的。

【tensor()转换】

更常用的是这个tensor(),注意看T的大小写，如果使用的是tensor方法，那么不管输入类型是什么，torch.tensor都会进行数据拷贝，不共享内存。

【.numpy()】

tensor转成numpy的时候，.numpy方法是内存共享的哦。如果想改成内存拷贝的话，可以使用.numpy().copy()就不共享内存了。或者使用.clone().numpy()也可以实现同样的效果。clone是tensor的方法，copy是numpy的方法。

【总结】

记不清的话，就记住，tensor()数据拷贝了，.numpy()共享内存就行了。

2.2 两者区别

【命名】

虽然PyTorch实现了Numpy的很多功能，但是相同的功能却有着不同的命名方式，这让使用者迷惑。

例如创建随机张量的时候：

print('命名规则')

a = torch.rand(2,3,4)

b = np.random.rand(2,3,4)

【张量重塑】

这部分会放在下一章节详细说明~

3 张量

标量：数据是一个数字
向量：数据是一串数字,也是一维张量
矩阵：数据二维数组，也是二维张量
张量：数据的维度超过2的时候，就叫多维张量

3.1 张量修改尺寸

pytorch常用reshape和view
numpy用resize和reshape
pytorch也有resize但是不常用

【reshape和view共享内存(常用)】

a = torch.arange(0,6)

b = a.reshape((2,3))

print(b)

c = a.view((2,3))

print(c)

a[0] = 999

print(b)

print(c)

输出结果：

tensor([[0, 1, 2],

        [3, 4, 5]])

tensor([[0, 1, 2],

        [3, 4, 5]])

tensor([[999,   1,   2],

        [  3,   4,   5]])

tensor([[999,   1,   2],

        [  3,   4,   5]])

上面的a，b，c三个变量其实是共享同一个内存，迁一而动全身。而且要求遵旨规则：原始数据有6个元素，所以可以修改成\(2\times 3\)的形式，但是无法修改成\(2\times 4\)的形式 ，我们来试试：

a = torch.arange(0,6)

b = a.reshape((2,4))

会抛出这样的错误：

【torch的resize_（不常用）】

但是pytorch有一个不常用的函数（对我来说用的不多），resize,这个方法可以不遵守这个规则：

a = torch.arange(0,6)

a.resize_(2,4)

print(a)

输出结果为：

自动的补充了两个元素。虽然不知道这个函数有什么意义。。。。。。

这里可以看到函数resize后面有一个_，这个表示inplace=True的意思，当有这个_或者参数inplace的时候，就是表示所作的修改是在原来的数据变量上完成的，也就不需要赋值给新的变量了。

【numpy的resize与reshape（常用）】

import numpy as np

a = np.arange(0,6)

a.resize(2,3)

print(a)

import numpy as np

a = np.arange(0,6)

b = a.reshape(2,3)

print(b)

两个代码块的输出都是下面的，区别在于numpy的resize是没有返回值的，相当于inplace=True了，直接在原变量的进行修改，而reshape是有返回值的，不在原变量上修改（但是呢reshape是共享内存的）：

[[0 1 2]

 [3 4 5]]

3.2 张量内存存储结构

tensor的数据结构包含两个部分:

头信息区Tensor：保存张量的形状size，步长stride，数据类型等信息
存储区Storage：保存真正的数据

头信息区Tensor的占用内存较小，主要的占用内存是Storate。

每一个tensor都有着对应的storage，一般不同的tensor的头信息可能不同，但是却可能使用相同的storage。（这里就是之前共享内存的view、reshape方法，虽然头信息的张量形状size发生了改变，但是其实存储的数据都是同一个storage）

3.3 存储区

我们来查看一个tensor的存储区：

import torch

a = torch.arange(0,6)

print(a.storage())

输出为：

 0

 1

 2

 3

 4

 5

[torch.LongStorage of size 6]

然后对tensor变量做一个view的变换：

b = a.view(2,3)

这个b.storage()输出出来时和a.storate()，相同的，这也是为什么view变换是内存共享的了。

# id()是获取对象的内存地址

print(id(a)==id(b)) # False

print(id(a.storage)==id(b.storage)) # True

可以发现，其实a和b虽然存储区是相同的，但是其实a和b整体式不同的。自然，这个不同就不同在头信息区，应该是尺寸size改变了。这也就是头信息区不同，但是存储区相同，从而节省大量内存

我们更进一步，假设对tensor切片了，那么切片后的数据是否共享内存，切片后的数据的storage是什么样子的呢？

print('研究tensor的切片')

a = torch.arange(0,6)

b = a[2]

print(id(a.storage)==id(b.storage))

输出结果为：

>>> True

没错，就算切片之后，两个tensor依然使用同一个存储区，所以相比也是共享内存的，修改一个另一个也会变化。

#.data_ptr(),返回tensor首个元素的内存地址。

print(a.data_ptr(),b.data_ptr())

print(b.data_ptr()-a.data_ptr())

输出为：

2080207827328 2080207827344

16

这是因为b的第一个元素和a的第一个元素内存地址相差了16个字节，因为默认的tesnor是int64，也就是8个字节一个元素，所以这里相差了2个整形元素

3.4 头信息区

依然是上面那两个tensor变量，a和b

a = torch.arange(0,6)

b = a.view(2,3)

print(a.stride(),b.stride())

输出为：

(1,) (3, 1)

变量a是一维数组，并且就是[0，1，2，3，4，5],所以步长stride是1；而b是二维数组，是[[0,1,2],[3,4,5]]，所以就是先3个3个分成第一维度的，然后再1个1个的作为第二维度。

由此可见，绝大多数操作并不修改 tensor 的数据，只是修改了 tensor 的头信息，这种做法更节省内存，同时提升了处理速度。