运算符
- 如何在这些数据上执行数学运算,其中最简单且最有用的操作是按元素(elementwise)运算。
- 它们将标准标量运算符应用于数组的每个元素。 对于将两个数组作为输入的函数,按元素运算将二元运算符应用于两个数组中的每对位置对应的元素。
- 我们可以基于任何从标量到标量的函数来创建按元素函数。
在数学中,我们通过符号f:R→R 来表示一元标量运算符(只接收一个输入)。 这意味着该函数从任何实数映射到另一个实数。
通过符号f:R,R→R 表示二元标量运算符 这意味着该函数接收两个输入,并产生一个输出。
给定同一形状的任意两个向量𝐮和𝐯和二元运算符𝑓, 我们可以得到向量𝐜=𝐹(𝐮,𝐯)
计算方法是𝑐𝑖←𝑓(𝑢𝑖,𝑣𝑖)(其中ci、ui和vi分别是向量𝐜、𝐮和𝐯中的元素)
在这里通过将标量函数升级为按元素向量运算来生成向量值F:Rd,Rd→Rd。
对于任意具有相同形状的张量, 常见的标准算术运算符(**+ - * / ****)都可以被升级为按元素运算。
可以在同一形状的任意两个张量上调用按元素操作。 在下面的例子中,我们使用逗号来表示一个具有5个元素的元组,其中每个元素都是按元素操作的结果。
x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
x + y, x - y, x * y, x / y, x ** y # 本质上是矩阵的基本运算
(tensor([ 3., 4., 6., 10.]),
tensor([-1., 0., 2., 6.]),
tensor([ 2., 4., 8., 16.]),
tensor([0.5000, 1.0000, 2.0000, 4.0000]),
tensor([ 1., 4., 16., 64.]))
“按元素”方式可以应用更多的计算,包括像求幂这样的一元运算符。
torch.exp(x)
tensor([2.7183e+00, 7.3891e+00, 5.4598e+01, 2.9810e+03])
把多个张量连结(concatenate)在一起
把它们端对端地叠起来形成一个更大的张量。 只需要提供张量列表,并给出沿哪个轴连结。 下面的例子分别演示了当沿行(轴-0,形状的第一个元素) 和按列(轴-1,形状的第二个元素)连结两个矩阵时,会发生什么情况。
0表示按行拼接,1表示按列拼接
X = torch.arange(12, dtype=torch.float32).reshape((3,4))
Y = torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
print(X)
print(Y)
torch.cat((X, Y), dim=0),
#把这两个元素合并在一起,并且在第0维合并 可以理解为按行堆起来
torch.cat((X, Y), dim=1)
#把这两个元素合并在一起,并且在第1维合并 可以理解为按列堆起来
#dim=3的时候会报错,因为要求输入3维的,而现在是输入2维的
tensor([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.]])
tensor([[2., 1., 4., 3.],
[1., 2., 3., 4.],
[4., 3., 2., 1.]])
(tensor([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.],
[ 2., 1., 4., 3.],
[ 1., 2., 3., 4.],
[ 4., 3., 2., 1.]]),
tensor([[ 0., 1., 2., 3., 2., 1., 4., 3.],
[ 4., 5., 6., 7., 1., 2., 3., 4.],
[ 8., 9., 10., 11., 4., 3., 2., 1.]]))
如果要通过逻辑运算符构建二元张量。
以X == Y
为例: 对于**每个位置,**如果X
和Y
在该位置相等,则新张量中相应项的值为1。 这意味着逻辑语句X == Y
在该位置处为真,否则该位置为0。
X == Y
tensor([[False, True, False, True],
[False, False, False, False],
[False, False, False, False]])
X.sum() #对张量中的所有元素进行求和,会产生一个单元素张量。
tensor(66.)
广播机制(从numpy过来的,容易出错)
在某些情况下,即使形状不同,仍然可以通过调用 广播机制(broadcasting mechanism)来执行按元素操作。
这种机制的工作方式如下:
首先,通过适当复制元素来扩展一个或两个数组, 以便在转换之后,两个张量具有相同的形状。 其次,对生成的数组执行按元素操作。
在大多数情况下,我们将沿着数组中长度为1的轴进行广播,如下例子:
a = torch.arange(3).reshape((3, 1))#维度是2
b = torch.arange(2).reshape((1, 2))#维度是2
a, b
(tensor([[0],
[1],
[2]]),
tensor([[0, 1]]))
由于a
和b
分别是3×1和1×2矩阵,如果让它们相加,它们的形状不匹配。 我们将两个矩阵广播为一个更大的3×2矩阵
如下所示:矩阵a
将复制列, 矩阵b
将复制行,然后再按元素相加。
a + b #维度相同才能相加
tensor([[0, 1],
[1, 2],
[2, 3]])
索引和切片
- 就像在任何其他Python数组中一样,张量中的元素可以通过索引访问。
- 与任何Python数组一样:第一个元素的索引是0,最后一个元素索引是-1;
- 可以指定范围以包含第一个元素和最后一个之前的元素。
X[-1], X[1:3] #我们可以用[-1]选择最后一个元素,可以用[1:3]选择第二个和第三个元素
(tensor([ 8., 9., 10., 11.]),
tensor([[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.]]))
X[1, 2] = 9 # 除读取外,我们还可以通过指定索引来将元素写入矩阵。
X
tensor([[ 0., 1., 2., 3.],
[ 4., 5., 9., 7.],
[ 8., 9., 10., 11.]])
如果我们想为多个元素赋值相同的值,我们只需要索引所有元素,然后为它们赋值。
例如,[0:2, :]
访问第1行和第2行,其中**“:”**代表沿轴1(列)的所有元素。 虽然我们讨论的是矩阵的索引,但这也适用于向量和超过2个维度的张量。
X[0:2, :] = 12 #0:2意思是0行和1行
X
tensor([[12., 12., 12., 12.],
[12., 12., 12., 12.],
[ 8., 9., 10., 11.]])
节省内存(在高级应用需要考虑的问题)
运行一些操作可能会导致为新结果分配内存。
例如,如果我们用Y = X + Y
,我们将取消引用Y
指向的张量,而是指向新分配的内存处的张量。
在下面的例子中,我们用Python的id()
函数演示了这一点, 它给我们提供了内存中引用对象的确切地址。 运行Y = Y + X
后,会发现id(Y)
指向另一个位置。 这是因为Python首先计算Y + X
,为结果分配新的内存,然后使Y
指向内存中的这个新位置。
before = id(Y)
Y = Y + X
id(Y) == before
False
这可能是不可取的,原因有两个:
- 我们尽可能要地分配内存。 在机器学习中,可能有数百兆的参数,并且在一秒内多次更新所有参数。 通常情况下,我们希望原地执行这些更新。
- 其次,如果我们不原地更新,其他引用仍然会指向旧的内存位置, 这样我们的某些代码可能会无意中引用旧的参数。
幸运的是,(执行原地操作)非常简单。
我们可以使用切片表示法将操作的结果分配给先前分配的数组
例如Y[:] = <expression>
。 为了说明这一点,我们首先创建一个新的矩阵Z
,其形状与另一个Y
相同, 使用zeros_like
来分配一个全00的块。
Z = torch.zeros_like(Y)#意思是创建一个z,和y的形状和数据类型是一样的,但是数值是0
print('id(Z):', id(Z)) #查看z的地址
Z[:] = X + Y #然后对z进行改写,让z里面的元素等于x+y
print('id(Z):', id(Z))#然后查看z的id 根据下面的输出可以看出来系统没有为z创建新的内存
id(Z): 3244470282416
id(Z): 3244470282416
如果在后续计算中没有重复使用X, 我们也可以使用X[:] = X + Y或X += Y来减少操作的内存开销。
before = id(X)
X += Y
id(X) == before
True
转换为Numpy(其他Python对象)张量
将深度学习框架定义的张量**转换为NumPy张量(ndarray)**很容易,反之也同样容易。
torch张量和numpy数组将共享它们的底层内存,就地操作更改一个张量也会同时更改另一个张量。
A = X.numpy()#A会的到一个numpy类型的多元数组
B = torch.tensor(A)#将A里面的numpy类型的多元数组X拿回来
type(A), type(B)
(numpy.ndarray, torch.Tensor)
要将大小为1的张量转换为Python标量,我们可以调用item
函数或Python的内置函数。
a = torch.tensor([3.5])
a, a.item(), float(a), int(a)#int向下取整
(tensor([3.5000]), 3.5, 3.5, 3)
补充小知识
# int(): 向下取整3.7取3;
# math.ceil(): 向上取整3.2取4;
# round(): 四舍五入;
# math.modf(): 取整数部分和小数部分,返回一个元组:(小数部分,整数部分)。注意小数部分的结果有异议
小结
深度学习基础1和2这两篇文章主要讲了
- 深度学习存储和操作数据的主要接口是张量(n维数组)。
- 它提供了各种功能,包括基本数学运算、广播、索引、切片、内存节省和转换其他Python对象。