【PyTorch】第一节：张量（Tensor）的定义

作者🕵️‍♂️：让机器理解语言か

专栏🎇：PyTorch

描述🎨：PyTorch 是一个基于 Torch 的 Python 开源机器学习库。

寄语💓：🐾没有白走的路，每一步都算数！🐾 

张量（Tensor）介绍

        PyTorch 中的所有操作都是在张量的基础上进行的，本实验主要讲解了张量定义和相关张量操作以及 GPU 和张量之间的关系，为以后使用 PyTorch 进行深度学习打下坚实的基础。

知识点🍉

• 🍓张量的创建
• 🍓张量的运算（加减乘除）
• 🍓自动计算梯度 
• 🍓张量的切片
• 🍓张量的重塑
• 🍓NumPy 与 Tensor的转换
• 🍓GPU 上创建张量

---

张量：Tensor

什么是张量？

        PyTorch 中的所有内容都基于 Tensor(张量) 操作的。张量可以具有不同的尺寸，它可以是 1 维（标量），2 维（矢量），甚至 3 维（矩阵）或更高。

特点：

• 比 NumPy 更灵活，可以使用 GPU 的强大计算能力。
• 开源高效的深度学习研究平台。

张量的创建 

让我们看一下如何在 PyTorch 中创建张量。 

• 🍅torch.empty( )：创建一个未初始化的tensor

下面，我们创建一个 2×3矩阵。使用 torch.empty 可以返回填充了未初始化数据的张量。张量的形状由可变参数大小定义。 

import torch
torch.empty(2,3)
# 或者 torch.empty(2,3,out = result);print(result) # torch创建张量的每一个函数都有参数out：提供输出 Tensor 作为参数
'''
tensor([[1.1692e-19, 1.5637e-01, 5.0783e+31],
        [4.2964e+24, 2.6908e+20, 2.7490e+20]])
'''

• 🍅torch.rand(size):随机初始化值在 0-1 之间的tensor（服从均匀分布）

# torch.rand(size)
torch.rand(5, 3)  # 初始化 5*3 大小的 0-1 之间的张量

​ 

• 🍅torch.zeros(size) /torch.ones(size):初始化全为 1 /全为 0 的tensor

x = torch.zeros(5, 3)
y = torch.ones(5, 3)
print(x)
print(y)

​ 

• 🍅torch.tensor(list)：创建指定值的tensor

创建 Tensor 并使用现有数据初始化，list 可以为 NumPy 中的一个列表。

#创建的张量中的值为 [5.5,3]
x = torch.tensor([5.5, 3])
print(x)
print(x.size())

​ 

• 🍅x.new_ones( ) ：根据现有张量创建新张量。

new_ones(size, dtype=None, device=None, requires_grad=False) → Tensor 

• 返回一个与size大小相同的用1填充的张量。
• 默认情况下，返回的Tensor具有与此张量相同的torch.dtype和torch.device，除非设置新的值进行覆盖。 

x = x.new_ones(5, 3, dtype=torch.double)  # new_* 方法来创建对象
x

• 🍅 torch.randn_like( )：生成一个与输入张量形状相同的张量

torch.randn_like()函数的作用是生成一个与输入张量形状相同的张量，其中的元素是从标准正态分布中随机采样得到的。 

torch.randn_like(input, dtype=None, layout=None, device=None, requires_grad=False)

• 其中，input是输入张量，dtype是输出张量的数据类型，layout是输出张量的布局，device是输出张量的设备，requires_grad表示是否需要计算梯度。默认情况下，返回的Tensor具有与此张量相同的torch.dtype、layout、device和requires_grad。

x = torch.randn_like(x, dtype=torch.float)
x

  

查看张量的大小  x.size()

x.size()
# torch.Size([5, 3])

# 传入的参数为想创建的张量大小
x = torch.empty(1)  # scalar，大小为 1*1 的张量
print(x.size())
x = torch.empty(3)  # vector, 1D，大小为 1*3 的张量
print(x.size())
x = torch.empty(2, 3)  # matrix, 2D，大小为 2*3 的张量
print(x.size())
x = torch.empty(2, 2, 3)  # tensor, 3D，大小为 2*2*3 的张量
print(x.size())

 

📌小贴士

torch.Size 返回值是 tuple 类型，所以它支持 tuple 类型的所有操作。

查看 张量中值的类型 x.dtype( )

x.dtype
# torch.float32

当然，也可以在初始化时传入 dtype 参数，指定数组值的类型：

x = torch.zeros(5, 3, dtype=torch.float16)
print(x)

# check type
print(x.dtype)

​  

自动计算梯度 

       如果想要定义的张量能够自动计算梯度（这里先简单说明，详细请查看我的另一篇博客【PyTorch】第二节：梯度的求解），那么我们就需要将参数 requires_grad 置为 True。

torch.tensor([5.5, 3], requires_grad=True)
# tensor([5.5000, 3.0000], requires_grad=True)

张量的运算

• 🥕张量的加法

y = torch.rand(2, 2)
x = torch.rand(2, 2)
# 两种方法：
z1 = x + y
z2 = torch.add(x, y)
z1,z2

​  

还有一种原地相加的操作，相当于y += x或者y = y + x。 

y.add_(x)  # 将 x 加到 y
y

 

📌小贴士:

任何以下划线结尾的操作都会用结果替换原变量。例如：x.copy_(y), x.t_(), 都会改变 x。

• 🥕 张量的减法

# 使用 - 或者 .sub 都可以表示张量减法
z = x - y
z = torch.sub(x, y)
print(z)

​  

• 🥕张量乘法

# 张量乘法（利用 * 或者 torch.mul表示）
z = x * y
z = torch.mul(x, y)
print(z)

​  

• 🥕张量除法

# 张量除法(使用 / 或者 torch.div 表示)
z = x / y
z = torch.div(x, y)
print(z)

​  

 张量的切片

和 NumPy 的切片类似，如下：

💡 第一个值表示第一维（即行号），第二个值表示第二维（即列号） 

x = torch.rand(5, 3)
print(x)
print(x[1, 1])  
print(x[:, 0])  # 所有的行中的第 1 列
print(x[1, :])  # 第 2 行中所有的列

​ 

 张量的重塑

       重塑的意思就是将原张量的形状进行变换，即元素总个数不变的情况下改变行数和列数，使用 torch.view(size) 类似于 numpy.reshape。

x = torch.randn(4, 4)
y = x.view(16)  # 指定改变后的大小
z = x.view(2, 8)  # 等价于z = x.view(-1, 8) # size -1 从其他维度推断
print(x.size(), y.size(), z.size())
# torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])

       当 x 的大小为 12×23×32 ，而我们想把 x 转为 2×m 的大小时，我们就必须手动算出 12×23×32 的值，然后除以 2，进而得到 m 的值。为了避免这种情况，我们可以将 m 所在位置赋为 -1，即y = x.view(2, -1) 表示该维度由从其他维度推断得到。计算机看到 -1 时，会自动使用 12×23×32÷2 的值来替换 -1：

x = torch.randn(12, 23, 32)
y = x.view(2, -1)  # 将需要计算的那个维度直接用 -1 表示 12*23*32/2 的值
x.size(), y.size()
# (torch.Size([12, 23, 32]), torch.Size([2, 4416]))

📌小贴士：

        一次切片中只能有一个位置值为 -1 。

NumPy 与 Tensor的转换

       将 PyTorch 张量转换为 NumPy 数组（反之亦然）是一件轻而易举的事。PyTorch 张量和 NumPy 数组将共享其底层内存位置，改变一个也将改变另一个。 

• 🍌tensor.numpy( ) ：将 Tensor 类型的变量转为 NumPy 类型

a = torch.ones(5)
print(a)

b = a.numpy()
print(b)
print(type(b))

​ 

• 🍌 torch.from_numpy( ) ：将 NumPy 类型的变量转为 Tensor

import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
print(a)
print(b)

​ 

了解 NumPy 数组的值如何变化： 

a.add_(1)
a, b
# (tensor([2., 2., 2., 2., 2.]), array([2., 2., 2., 2., 2.], dtype=float32)) 

        可以看出，  NumPy 类型的变量和 Tensor之间的转换其实是一种深复制，改变一个也将改变另一个。

GPU 上创建张量

       默认情况下，所有的张量都是在 CPU 上创建的，但是你也可以使用 GPU 创建它，或者将 CPU 创建的向量移动到 GPU 中。

        当然，下面代码只有在你的电脑支持 GPU 的情况下才过下才能运行。我们可以通过torch.cuda.is_available() 命令，查看本地环境时候支持 GPU ：

torch.cuda.is_available()
# True 表示支持
# False 表示不支持

将变量放到 GPU 中运行的方式有两种，如下：

• 🥕在定义时就指定参数 device

    # 如果支持 GPU 则传入字符串 cuda，否则传入 cpu
    device = torch.device("cuda")         
    y = torch.ones_like(x, device=device)  # 在 GPU 上直接创建张量
  

• 🥕创建张量后，使用 .to 方法将变量移动到 GPU 中

    x = torch.randn(4, 4)
    device = torch.device("cuda")           
    x = x.to(device)                       # 将张量移动到 GPU
  

CUDA 张量

        CUDA 张量是能够在 GPU 设备中运算的张量。

# is_available 函数判断是否有 GPU 可以使用
if torch.cuda.is_available():
    device = torch.device("cuda")          # torch.device 将张量移动到指定的设备中
    y = torch.ones_like(x, device=device)  # 直接从 GPU 创建张量
    x = x.to(device)                       # 或者直接使用 .to("cuda") 将张量移动到 cuda 中
    z = x + y
    print(z)
    print(z.to("cpu", torch.double))       # .to 也会对变量的类型做更改
# tensor([1.4566], device='cuda:0')
# tensor([1.4566], dtype=torch.float64)

如果未配置 GPU，那么上述代码没有输出结果。

实验总结

       本实验主要讲解了张量的定义，以及如何使用 PyTorch 完成张量的加、减、乘、除、切片和重塑等操作。在实验的最后，我们对张量进行了扩展，阐述了如何查看本地环境是否支持 GPU ，以及如何将变量定义到 GPU 之中。