本学习笔记基于 Dive-into-DL-Pytorch
Tensor是pytorch中所应用的一种数据结构,torch.Tensor是存储和变换数据的主要工具。
1.1.1 创建Tensor
创建Tensor
import torch #导入Pytorch
x= torch.empty(5,3) #创建一个5*3的随机Tensor
print(x)
输出:
tensor([[1.0102e-38, 1.0561e-38, 1.0286e-38], [1.0653e-38, 1.0469e-38, 9.5510e-39], [9.9184e-39, 9.0000e-39, 1.0561e-38], [1.0653e-38, 4.1327e-39, 8.9082e-39], [9.8265e-39, 9.4592e-39, 1.0561e-38]])
除此之外,还可以创建全0的Tensor,或者根据数据直接创建
x = torch.tensor([5.5,3]) #直接根据数据创建Tensor
print(x)
print('\n')
y = torch.zeros(5,3) #创建5*3的全 0 Tensor矩阵
print(y)
输出:
tensor([5.5000, 3.0000])
tensor([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
另外,可以定义新的数据类型
x = x.new_ones(5, 3, dtype=torch.float64)
print(x)
x = torch.randn_like(x, dtype=torch.float) # 制定新的数据类型
print(x)
输出:
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
tensor([[ 0.2305, 0.8490, 0.1854],
[-2.3753, 1.1425, 0.5664],
[ 0.2865, 0.8166, -0.9365],
[ 0.3915, 1.4464, -0.3610],
[ 0.4563, -1.2072, -2.0004]])
我们还可以用shape或者size来获取Tensor的形状
print(x.size)
print(x.shape)
output:
<built-in method size of Tensor object at 0x0000027C8B2CE300>
torch.Size([5, 3])
其他创建Tensor的函数可以查找官方API
1.1.2 运算操作
算术操作:
'''加法操作'''
'''加法操作一'''
y = torch.rand(5,3)
print( x+ y)
'''加法操作二'''
print(torch.add(x, y))
'''还可以指定输出'''
result = torch.empty(5,3)
torch.add(x, y, out=result)
print(y)
'''加法操作三'''
y.add(x)
print(y)
以上输出结果都为
tensor([[ 1.0845, 0.6145, -0.1810],
[-0.7382, 0.4743, 0.9503],
[ 1.3987, 1.5480, 1.7038],
[ 1.5131, -1.1012, 1.1869],
[ 0.7644, 0.7438, -0.7890]])
改变形状
用view()来改变形状
y = x.view(15)
z = x.view(-1,5)
print(x.size(), y.size(), z.size())
print('\n')
print(x)
print('\n')
print(y)
print('\n')
print(z)
输出:
torch.Size([5, 3]) torch.Size([15]) torch.Size([3, 5])
tensor([[ 0.7818, -0.0712, -0.4319],
[-1.2213, 0.3708, 0.1667],
[ 0.4310, 1.0007, 1.2327],
[ 0.7463, -1.6301, 0.4599],
[ 0.3015, 0.1714, -0.9360]])
tensor([ 0.7818, -0.0712, -0.4319, -1.2213, 0.3708, 0.1667, 0.4310, 1.0007,
1.2327, 0.7463, -1.6301, 0.4599, 0.3015, 0.1714, -0.9360])
tensor([[ 0.7818, -0.0712, -0.4319, -1.2213, 0.3708],
[ 0.1667, 0.4310, 1.0007, 1.2327, 0.7463],
[-1.6301, 0.4599, 0.3015, 0.1714, -0.9360]])
(注意,view只是改变了对这个变量的观察角度),如果想要返回一个真正的副本,要使用reshape()来改变形状
1.2.1 Tensor和Numpy相互转换
利用numpy()和from_numpy()来完成操作
'''Tensor转Numpy'''
a = torch.ones(5)
b = a.numpy()
print(a,b)
a += 1
print(a,b)
b+=1
print(a, b)
output:
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.]
可以看出,Tensor和Numpy的数组共享一个内存,一个改变,另一个也会改变
'''Numpy数组转Tensor'''
import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
print(a,b)
output:
[1. 1. 1. 1. 1.] tensor([1., 1., 1., 1., 1.], dtype=torch.float64)
还可以直接用torch.tensor()来转换Numpy为Tensor,此方法的Tensor和原来数据不共享内存,也是最常用的方法
c = torch.tensor(a)
a+=1
print(a,c)
output:
[2. 2. 2. 2. 2.] tensor([1., 1., 1., 1., 1.], dtype=torch.float64)
1.3.1 自动求梯度
对函数求梯度,我们可以用Pytoch提供的autograd包,根据输入和前向传播自动构建计算图
对于Tensor来说,如果将其属性.require_grad设置为True,它将可以追踪在其上的所有操作;完成计算后,可以调用backward()来完成所有梯度计算,Tensor的梯度属性将积累到.grad属性中
如果不想别追踪,可以调用.detach()把其从追踪记录里分离出来,还可以用with torch.no_grad()把不想追踪的操作代码块包裹起来
Function是另外一个重要的类, Tensor和Function结合就可以构建一个记录整个计算过程的有向无环图,每个Tensor都有一个grad_fn属性,即创建该Tensor的Function,意思就是,如果这个Tensor是通过某些运算得到的,则grad_fn返回一个与这些运算相关的对象,否则是None
举例来说明:
x = torch.ones(2, 2, requires_grad=True)
print(x)
print(x.grad_fn)
output:
tensor([[1., 1.],
[1., 1.]], requires_grad=True)
None
对x做一个运算
y = x + 2
print(y)
print(y.grad_fn)
output:
tensor([[3., 3.],
[3., 3.]], grad_fn=<AddBackward0>)
<AddBackward0 object at 0x0000027C8B8DC6A0>
可以看出y是通过一个加法创建的,所以它有一个grad_fn;而x是直接创建的,没有gard_fn属性,像x这种直接创建的Tensor我们称之为叶子节点,对应节点的grad_fn是None
我们可以利用.requires_grad_()来改变require_grad属性:
a = torch.randn(2, 2) # 默认情况下requires_grad = False
a = ((a*3)/(a+1))
print(a.requires_grad)
a.requires_grad_(True)
print(a.requires_grad)
b = (a*a).sum()
print(b.grad_fn)
output:
False
True
<SumBackward0 object at 0x0000027C8BAA85B0>
1.3.2 梯度
具体数学原理这里不再列出,可以直接看书来理解
此处只给出实际例子及问题来解释
需要解释的两点:
(一)在y.backward()时,如果y是标量,则不需要为backward传入任何参数;否则,需要传入一个与y同形的Tensor,其意义在于为了避免张量(向量)对张量求导,而转换为标量对张量求导;
举个例子,假设y由x计算得来,w和y是同形张量,则y.backward(w)的含义是:先计算 L = torch.sum(y * w) , 则l是个标量,然后求L对x的导数
(二)grad在反向传播过程中是累加的,这意味着每一次运行backward,梯度都会累加之前的梯度,所以一般在backward之前需要.grad.data.zero()把梯度清零
x = torch.tensor([1.0, 2.0, 3.0, 4.0], requires_grad=True)
y = 2 * x
z = y.view(2,2)
print(z)
'''y现在不是一个标量,所以在调用backward时需要传入一个和y同形的权重向量进行加权求和得到一个标量'''
v = torch.tensor([[1.0, 0.1], [0.01, 0.001]], dtype=torch.float)
z.backward(v)
print(x.grad)
output:
tensor([[2., 4.],
[6., 8.]], grad_fn=<ViewBackward>)
tensor([2.0000, 0.2000, 0.0200, 0.0020])
中断梯度传播的例子
x = torch.tensor(1.0, requires_grad=True)
y1 = x ** 2
with torch.no_grad():
y2 = x**3
y3 = y2 + y1
print(x.requires_grad)
print(y1, y1.requires_grad)
print(y2, y2.requires_grad)
print(y3, y3.requires_grad)
output:
True
tensor(1., grad_fn=<PowBackward0>) True
tensor(1.) False
tensor(2., grad_fn=<AddBackward0>) True
注意,由于y2是被torch.no_grad():包裹的,所以与y2有关的梯度是不会回传的,故如果y3对x求导, 只有与y1相关的梯度会被回传,即x^2对x的梯度
此外,如果想修改Tensor的值,而又不希望被autograd记录(不影响反向传播),那么可以对tensor.data进行操作
x = torch.ones(1, requires_grad=True)
print(x.data) # 依旧是一个Tensor
print(x.data.requires_grad) # 但是已经独立于计算图之外
y = 2 * x
x.data *= 100 #只改变了值,但是不会记录在计算图,不会影响梯度传播
y.backward()
print(x) # 更改data的值也会影响Tensor的值
print(x.grad) # 但是不记录在梯度内
output:
python
tensor([1.])
False
tensor([100.], requires_grad=True)
tensor([2.])
如果没有对tensor.data进行操作,而是直接对x进行操作:
x = torch.ones(1,requires_grad = True)
y = 2 * x
x = x * 100
print(x)
print(x.grad)
output:
tensor([100.], grad_fn=<MulBackward0>)
可见,计算图中也包括了x = x*100 的操作
1.4 总结
本次学习笔记主要熟悉Tensor数据类型的创建,基本运算,以及梯度还有自动求导的实现方式