pytorch学习-tensors
一、头文件
import torch
import numpy as np
二、定义一个张量
- 张量可以直接从数据中创建。数据类型是自动推断的。
data = [[1, 2],[3, 4]]
x_data = torch.tensor(data)
- 从 NumPy 数组获取张量
np_array = np.array(data)
x_np = torch.from_numpy(np_array)
- 从张量中获取张量
除非明确覆盖，否则新张量保留参数张量的属性（形状、数据类型）。
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")
Out
Ones Tensor:
tensor([[1, 1],
[1, 1]])
Random Tensor:
tensor([[0.5566, 0.8507],
[0.2956, 0.7017]])
- 使用随机值或常量值获取张量
形状是张量维度的元组。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}")
Out
Random Tensor:
tensor([[0.2543, 0.5428, 0.9277],
[0.8630, 0.6125, 0.7287]])
Ones Tensor:
tensor([[1., 1., 1.],
[1., 1., 1.]])
Zeros Tensor:
tensor([[0., 0., 0.],
[0., 0., 0.]])
三、张量的属性
张量属性描述了它们的形状、数据类型和存储它们的设备。
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}")
Out
Shape of tensor: torch.Size([3, 4])
Datatype of tensor: torch.float32
Device tensor is stored on: cpu
四、张量运算
张量的操作包含100多种（从这里可以查阅到），每一个都可以在 GPU 上运行（速度通常比在 CPU 上更高）。
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 可用性之后）显式地将张量移动到 GPU。请记住，跨设备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')
- 标准的类似 numpy 的索引和切片：
tensor = torch.ones(4, 4)
print('First row: ',tensor[0])
print('First column: ', tensor[:, 0])
print('Last column:', tensor[..., -1])
tensor[:,1] = 0
print(tensor)
Out
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.]])
- 连接张量
可以使用 torch.cat 沿给定维度连接一系列张量。另见torch.stack，另一个连接张量的方法，与torch.cat略有不同。
t1 = torch.cat([tensor, tensor, tensor], dim=1)
print(t1)
Out
tensor([[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.]])
- 算术运算
# 这将计算两个张量之间的矩阵乘法。 y1, y2, y3 将具有相同的值
y1 = tensor @ tensor.T
y2 = tensor.matmul(tensor.T)
y3 = torch.rand_like(tensor)
torch.matmul(tensor, tensor.T, out=y3)
# 这将计算逐元素乘积。 z1, z2, z3 将具有相同的值
z1 = tensor * tensor
z2 = tensor.mul(tensor)
z3 = torch.rand_like(tensor)
torch.mul(tensor, tensor, out=z3)
- 单元素张量
如果有一个单元素张量，例如通过将张量的所有值聚合为一个值，使用 item() 将其转换为 Python 数值：
agg = tensor.sum()
agg_item = agg.item()
print(agg_item, type(agg_item))
Out
12.0 <class 'float'>
- 就地操作
将结果存储到操作数中的操作被称为就地。它们由 _ 后缀表示。例如：x.copy_(y), x.t_()，会改变x。
print(tensor, "\n")
tensor.add_(5)
print(tensor)
Out
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.]])
Note:
就地操作节省了一些内存，但在计算导数时可能会出现问题，因为会立即丢失历史记录。因此，不鼓励使用它们。
五、与 NumPy 的桥接
在CPU上的张量 和 NumPy 数组上的张量可以共享它们的底层内存位置，改变一个将改变另一个。
- 张量到 NumPy 数组
t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")
Out
t: tensor([1., 1., 1., 1., 1.])
n: [1. 1. 1. 1. 1.]
张量的变化反映在 NumPy 数组中。
t.add_(1)
print(f"t: {t}")
print(f"n: {n}")
Out
t: tensor([2., 2., 2., 2., 2.])
n: [2. 2. 2. 2. 2.]
- NumPy 数组到张量
n = np.ones(5)
t = torch.from_numpy(n)
NumPy 数组中的变化反映在张量中。
np.add(n, 1, out=n)
print(f"t: {t}")
print(f"n: {n}")
Out
t: tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
n: [2. 2. 2. 2. 2.]
