Pytorch入门（二） 第3章 张量 tensor

声明：本文是阅读《Deep Learning With Pytorch》所做的笔记，以方便学习pytorch，详细内容请阅读原书。

首先要将输入的数据转为浮点数 floating- point number，本章主要学习如何用张量来处理浮点数。

目标

• 张量是什么？
• 张量的操作
• 与NumPy中多维数组的互换
• 通过GPU为计算提速

---

3.1 浮点数 floating numbers

首先必须深刻理解PyTorch如何处理和储存数据，包括 输入 input、中间表示 intermediate representations、输出 output

tensor 也就是将数组扩展到多维，也叫多维数组 multidimensional array。一个tensor的维度就是指一个tensor内标量值的个数。

3.2 Tensors

！！！tensor 的本质

Python列表或数字元组是在内存中单独分配的Python对象的集合，如上图左边所示。而 Pytorch 的 Tensors 或 Numpy 数组（通常）是连续的内存块。 正如上图右边所示，每个元素都是32位（4字节）的浮点数，这意味着存储1,000,000浮点数的一维张量将需要恰好4,000,000的连续字节，以及一些小开销（例如维度和数字类型）。

3.3 Indexing tensors 索引

和python中对list的索引操作一样。

3.4 Named tensors 命名

• 对每个维度进行命名

# input
> weights_named = torch.tensor([0.2126, 0.7152, 0.0722], names=['channels'])
> weights_named.sum('channels')

# output
tensor(1.)

• 给已有的tensor加上名字：refine_names

# input
> img_t = torch.randn(3, 5, 5) # shape [channels, rows, columns]
> img_named = img_t.refine_names(..., 'channels', 'rows', 'columns')
> print("img named:", img_named.shape, img_named.names)

# output
img named: torch.Size([3, 5, 5]) ('channels', 'rows', 'columns')

• 维度对齐： align_as

# input
> weights_aligned = weights_named.align_as(img_named)
> weights_aligned.shape, weights_aligned.names

# output
(torch.Size([3, 1, 1]