广播机制
当对两个形状不同的Tensor按元素运算时,可能会除法广播机制:先适当复制元素使这两个Tensor形状相同后再按元素运算。
x = torch.arange(1,3).view(1,2)
print(x)
y = torch.arange(1,4).view(3,1)
print(y)
print(x+y)
输出
tensor([[1, 2]])
tensor([[1],
[2],
[3]])
tensor([[2, 3],
[3, 4],
[4, 5]])
由于x和y分别是1行二列和三行一列的矩阵,如果要计算x+y,那么x中第一行的元素会被广播成为三行,y中第一列的元素会被广播成为两列。
运算的内存开销
索引是不会开辟新内存的,而像y = x+y这样的运算是会新开内存的,然后将y指向新内存。使用id函数验证,如果id一致那么对应的内存地址相同。
x = torch.tensor([1,2])
y = torch.tensor([3,4])
id_before = id(y)
y = y+x
print(id(y) == id_before)
输出
False
如果想将结果指定到原来的y的内存,可以使用索引。
x = torch.tensor([1,2])
y = torch.tensor([3,4])
id_before = id(y)
y[:] = y+x
print(id(y) == id_before)
输出
True
还可以使用元素符全名函数中的out参数或者自加运算符+=(add_())
torch.add(x,y,out = y)
y += x
y.add_(x)
重点:虽然view返回的Tensor与源Tensor是共享data的,但是依然是一个新的Tensor(因为Tensor除了包含data外还有一些其他属性),二者id(内存地址)并不一致
Tensor和NumPy相互转换
可以用numpy()和from_numpy()将Tensor和NumPy中的数组相互转换,但是
重点:这两个函数所产生的Tensor和NumPy中的数组共享相同的内存(所以他们之间的转换很快),改变其中一个是另一个也会改变。
还有一个常用的将NumPy中的array转换成Tensor的方法就是torch.tensor(),需要注意的是,此方法总是会进行数据拷贝(消耗更多的时间和空间),所以返回的Tensor和原来的数据不再共享内存。
Tensor转NumPy
使用numpy()将Tensor转换成NumPy数组
a = torch.ones(5)
b = a.numpy()
print(a,b)
a += 1
print(a,b)
b += 1
print(a,b)
输出
tensor([1., 1., 1., 1., 1.]) [1. 1. 1. 1. 1.]
tensor([2., 2., 2., 2., 2.]) [2. 2. 2. 2. 2.]
tensor([3., 3., 3., 3., 3.]) [3. 3. 3. 3. 3.]
NumPy数组转Tensor
使用from_numpy()将NumPy数组转换成Tensor:
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
print(a,b)
a += 1
print(a,b)
b += 1
print(a,b)
输出
[1. 1. 1. 1. 1.] tensor([1., 1., 1., 1., 1.], dtype=torch.float64)
[2. 2. 2. 2. 2.] tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
[3. 3. 3. 3. 3.] tensor([3., 3., 3., 3., 3.], dtype=torch.float64)
所有在cpu上的Tensor(除了CharTensor),都支持与NumPy数组相互转换。
使用torch.tensor()进行数据转换,重点 不再共享内存
c = torch.tensor(a)
a += 1
print(a,c)
输出
[4. 4. 4. 4. 4.] tensor([3., 3., 3., 3., 3.], dtype=torch.float64)
Tensor on GPU
用方法to()可以将Tensor在CPU和GPU(需要硬件支持)之间相互移动
if torch.cuda.is_available():
device = torch.device("cuda")
y = torch.ones_like(x,device = device)
#创建一个在GPU上的Tensor
x = x.to(device)
#等价于to cuda
z = x+y
print(z)
print(z.to("cpu",torch.double))
#to也可以同时改变数据类型