[PyTroch系列-3]：PyTorch基础 - Hello World程序与张量（Tensor）概述

最新推荐文章于 2023-05-03 02:17:16 发布

文火冰糖的硅基工坊

最新推荐文章于 2023-05-03 02:17:16 发布

阅读量735

点赞数 2

分类专栏：人工智能-PyTorch 人工智能-深度学习

本文链接：https://blog.csdn.net/HiWangWenBing/article/details/119378227

版权

人工智能-深度学习同时被 2 个专栏收录

206 篇文章 152 订阅

订阅专栏

人工智能-PyTorch

119 篇文章 180 订阅

订阅专栏

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119378227

3.2 数据的类型：dtype=torch.xxx

3.3 数据内容: [[xx,xx], [xx,xx]]

3.4 数据运算的设备：device="xxx"

4. Tensor实例/样本创建概述

4.1 Tensor实例化的本质是类模板实例化+类的实例化

4.2 创建tensor实例的主要输入参数

4.3 普通tensor实例的创建

4.3 torch.Tensor与torch.tensor的区别

1. 导入库及检查版本

import numpy as np
import torch

2. Hello World

print("Hello World")

print(torch.__version__)

print(torch.cuda.is_available())

3. 基本数据单元

3.1 torch支持的数据结构

（1）张量：tensor (Torch定义了专门的结构）

从Python的List [ ]的数据结构 =》 Numpy.Array =》 Torch.Tensor

Python list：

数据元素可以是任意类型，数据元素的数据类型可以不相同。

Numpy.Array：

Numpy数组元素的数据类型是相同的，且必须是数值类型，且通常是2维的，且支持在CPU上运行。

Torch.Tensor：

与Numpy.array一样，Tensor中的元素的数据类型是必须相同的，与Numpy大体相同。

但Tensor在Numpy.array的基础上，进行了增强：

Tensor中的数据元素可以是任意维度的

Tensor可以支持在GPU上执行

支持自动求导等于深度学习相干的操作。

（2）变量：variable（利用Python的变量）

（3）神经网络：nn (Torch定义了专门的结构）

3.2 数据的类型：dtype=torch.xxx

3.3 数据内容: [[xx,xx], [xx,xx]]

数据的内容，以多维数组的形式[[xx,xx], [xx,xx]]提供给torch。

3.4 数据运算的设备：device="xxx"

cpu, cuda, xpu, mkldnn, opengl, opencl, ideep, hip, msnpu, xla, vulka

4. Tensor实例/样本创建概述

4.1 Tensor实例化的本质是类模板实例化+类的实例化

注意：这里不是创建tensor数据结构本身，而是创建tensor的实例。

不同的说法，体现了对tensor本质的理解不同。

tensor本质上是一种数据结构，一种组织多维特征的数据结构，它是torch已经预先定义好的数据结构模板。

使用者只是定义了tensor的一个实例，或者说定义tensor的一个样本而已。

当然，由于tensor的维度是任意的，因此在创建tensor实例的时候，同时也明确了tensor的特征的维度。

因此，从Python编程语言的角度看，tensor实质是“类”模版。

4.2 创建tensor实例的主要输入参数

Tensor的维度：通过[ [ ], [ ] ]或（ , ）来标识
Tensor的数据：通过[ [x11, x12 ], [x21,x22 ] ]或（ x, y）来承载
Tensor中数据的类型：dtype=torch.xxx
Tensor的计算的硬件类型：device="xxx": cpu, cuda, xpu, mkldnn, opengl, opencl, ideep, hip, msnpu, xla, vulka

4.3 普通tensor实例的创建

4.3 torch.Tensor与torch.tensor的区别

在Pytorch中，Tensor和tensor都用于生成新的张量。

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

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

（1）torch.Tensor

torch.Tensor()是Python模板类，更明确的说，是默认张量类型torch.FloatTensor()的别名，torch.Tensor([1,2]) 会调用Tensor类的构造函数__init__，生成单精度浮点类型的张量。

>>> a=torch.Tensor([1,2])
>>> a.type()
'torch.FloatTensor'

（2）torch.tensor()

torch.tensor()仅仅是Python的函数，函数原型是：

torch.tensor(data, dtype=None, device=None, requires_grad=False)

其中data可以是：list, tuple, array, scalar等类型。
torch.tensor()可以从data中的数据部分做拷贝（而不是直接引用），根据原始数据类型生成相应的torch.LongTensor，torch.FloatTensor，torch.DoubleTensor。

>>> a = torch.tensor([1, 2])
>>> a.type()
'torch.LongTensor'

>>> a = torch.tensor([1., 2.])
>>> a.type()
'torch.FloatTensor'

>>> a = np.zeros(2, dtype=np.float64)
>>> a = torch.tensor(a)
>>> a.type()
torch.DoubleTensor

5. tensor的成员

5.1 Tensor的公共属性

Torch.type：Tensor数据类型, int、float、？
Torch.device：执行的处理器，CPU or GPU
Torch.layout：内存布局，稀疏压缩存储和稠密非压缩存储。
Torch.shape：张量的形状（维度）

（1）属性的读

#代码示例
a = torch.Tensor([[1,2], [3,4]])  #直接构建Tensor内容和维度，内容数据是确定的
print(a)
print(a.device)
print(a.layout)
print(a.dtype)
print(a.type)
print(a.type()) 
print(a.size())
print(a.shape)

#输出结果
tensor([[1., 2.],
        [3., 4.]])
cpu
torch.strided
torch.float32
<built-in method type of Tensor object at 0x000002655E4F1300>
torch.FloatTensor
torch.Size([2, 2])
torch.Size([2, 2])

（2）属性的配

通过Tensor类进行配置

a = torch.Tensor([[1,2], [3,4]], device=torch.device("cpu") ) 

print(a)
print(a.device)
print(a.layout)
print(a.dtype)       #tensor的数据类型
print(a.type)        #tensor本身的类型
print(a.type())      #tensor的数据类型
print(a.size())
print(a.shape)      #tensor的维度

输出：

tensor([[1., 2.],
        [3., 4.]])
cpu
torch.strided
torch.float32
<built-in method type of Tensor object at 0x000002655F154BC0>
torch.FloatTensor
torch.Size([2, 2])
torch.Size([2, 2])

通过tensor函数进行配置

a = torch.tensor([[1,2], [3,4]], dtype=torch.float64, device=torch.device("cpu") ) 

print(a)
print(a.device)
print(a.layout)
print(a.dtype)       #tensor的数据类型
print(a.type)        #tensor本身的类型
print(a.type())      #tensor的数据类型
print(a.size())
print(a.shape)      #tensor的维度

输出：

tensor([[1., 2.],
        [3., 4.]], dtype=torch.float64)
cpu
torch.strided
torch.float64
<built-in method type of Tensor object at 0x000002655F1AA700>
torch.DoubleTensor
torch.Size([2, 2])
torch.Size([2, 2])

5.2 Tensor的公共操作

type()：如上图
size()：如上图

5.3 Tenosor的运算方法

（1）使用重载后的Python运算符：+、-

（2）使用Torch提供的通用方法：Torch.add、Torch.sub......

（3）使用Tensor实例自带的成员函数xxx.add()、xxx.sub => 不修改tensor实例的值

（4）使用Tensor实例自带“in place”运算: xxx_add()、xxx.sub_=> 直接修改tensor实例的值

也就是说，要完成Tensor的某种运算，其实有很多种方法和手段。

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119378227

文火冰糖的硅基工坊

关注

2
点赞
踩
4

收藏

觉得还不错? 一键收藏
打赏
0
评论
[PyTroch系列-3]：PyTorch基础 - Hello World程序与张量（Tensor）概述

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing本文网址：作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing本文网址：
复制链接

扫一扫