PyTorch学习之Tensors模块

以下内容全部来自 PyTorch tutorials of Tensors

Ⅰ. Tensors 介绍

Tensors 是一种类似于数组和矩阵的数据结构。在 PyTorch 中，通常使用 Tensors 对模型的输入和输出以及模型的参数进行编码。

Tensors 跟 Numpy 的 array 有点类似，但是 Tensor 可以在 GPU 或者其他硬件上加速，除此之外，Tensor 还可以进行自动求导（Autograd）。

导入包：

import torch
import numpy as np

Ⅱ. Tensor 初始化

Tensor 有很多种初始化的方式，如下所示：

1. 直接用数据定义

data = [[1, 2], [3, 4]]
x_data = torch.tensor(data)

2. numpy array 转换

np_array = np.array(data)
x_np = torch.from_numpy(np_array)

3. 来自另一个 Tensor

x_ones = torch.ones_like(x_data)
print(f"Ones Tensor: \n {x_ones} \n")

x_rand = torch.rand_like(x_data, dtype=torch.float)
print(f"Random Tensor: \n {x_rand} \n")

Out:

Ones Tensor: 
 tensor([[1, 1],
        [1, 1]]) 

Random Tensor: 
 tensor([[0.2009, 0.8362],
        [0.8396, 0.5719]]) 

注意：除非显式覆盖，否则新的 tensor 保留原来 tensor 的属性（形状、数据类型）

4. 随机初始化或者一些恒定的数值

shape = (2, 3, )
rand_tensor = torch.rand(shape)
ones_tensor = torch.ones(shape)
zeros_tensor = torch.zeros(shape)

print(f"Random Tensor: \n {rand_tensor} \n")
print(f"Ones Tensor: \n {ones_tensor} \n")
print(f"Zeros Tensor: \n {zeros_tensor} \n")

Out:

Random Tensor: 
 tensor([[0.5702, 0.7394, 0.0426],
        [0.3312, 0.7481, 0.9213]]) 

Ones Tensor: 
 tensor([[1., 1., 1.],
        [1., 1., 1.]]) 

Zeros Tensor: 
 tensor([[0., 0., 0.],
        [0., 0., 0.]]) 

Ⅲ. Tensor 的属性

一个 Tensor 有大小，数据类型和存放在哪个设备上。

tensor = torch.rand(3, 4)
print(f"Shape of tensor: {tensor.shape}")
print(f"Datatype of tensor: {tensor.dtype}")
print(f"Device tensor is stored on: {tensor.device}")

Out:

Shape of tensor: torch.Size([3, 4])
Datatype of tensor: torch.float32
Device tensor is stored on: cpu

Ⅳ. Tensors 操作

Tensor 有大量的张量运算方法，包括算术，线性代数，矩阵操作（转置，索引，切片），采样等。

每一个操作都可以在 GPU 上运行，但是默认 Tensor 被创建在 CPU 上，需要手动的移动 Tensor 到 GPU 上进行运算。

注：跨设备复制大 Tensor 很耗时间和内存！

if torch.cuda.is_available():
    tensor = tensor.to("cuda")

1. 切片

tensor = torch.ones(4, 4)
print(f"First row: {tensor[0]}")
print(f"First column: {tensor[:, 0]}")
print(f"Last column: {tensor[..., -1]}")
tensor[:,1] = 0
print(tensor)

Out:

First row: tensor([1., 1., 1., 1.])
First column: tensor([1., 1., 1., 1.])
Last column: tensor([1., 1., 1., 1.])
tensor([[1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.]])

切片类似于 NumPy 的切片，可以参考科学计算NumPy

2. Tensor 拼接

t1 = torch.cat([tensor, tensor, tensor], dim=1)
print(t1)

Out:

tensor([[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
        [1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
        [1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
        [1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.]])

除了 Tensor 拼接外，还一个 torch.stack Tensor 连接操作，这个是一个与 torch.cat 有所不同的操作。

简而言之：torch.cat 和 toch.stack 的区别在于 cat 会增加现有维度的值，可以理解为续接，stack 会新加增加一个维度，可以理解为叠加。

3. 算术运算

y1 = tensor @ tensor.T
y2 = tensor.matmul(tensor.T)
y3 = torch.rand_like(y1)
torch.matmul(tensor, tensor.T, out=y3)
z1 = tensor * tensor
z2 = tensor.mul(tensor)
z3 = torch.rand_like(tensor)
torch.mul(tensor, tensor, out=z3)

Out:

tensor([[1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.]])

4. 单个元素 Tensor

对于单张 Tensor ，通过 .sum() 可以将其聚合成一个值，然后使用 item() 将其转换为数值。

agg = tensor.sum()
print(f"agg {agg}")
agg_item = agg.item()
print(agg_item, type(agg_item))

Out:

agg 12.0
12.0 <class 'float'>

5. 原地操作

若一个操作以 _ 作为后缀就表示这是一个原地操作。比如：x.copy_(x), x.t_() 这些都将改变 x 的值。

print(f"{tensor} \n")
tensor.add_(5)
print(tensor)

Out:

tensor([[1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.]]) 

tensor([[6., 5., 6., 6.],
        [6., 5., 6., 6.],
        [6., 5., 6., 6.],
        [6., 5., 6., 6.]])

Ⅴ. Tensor 与 NumPy 之间的桥梁

1. Tensor to NumPy array

由 Tensor 转换成的 Numpy array，若是 Tensor 变化，则 Numpy array 也会改变。

t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")

Out:

t: tensor([1., 1., 1., 1., 1.])
n: [1. 1. 1. 1. 1.]

t.add_(1)
print(f"t: {t}")
print(f"n: {n}")

Out:

t: tensor([2., 2., 2., 2., 2.])
n: [2. 2. 2. 2. 2.]

2. NumPy array to Tensor

反过来，由 NumPy array 转换成的 Tensor，若是 Numpy array 变化，则 Tensor 也会改变。

n = np.ones(5)
t = torch.from_numpy(n)
np.add(n, 1, out=n)
print(f"t: {t}")
print(f"n: {n}")

Out:

t: tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
n: [2. 2. 2. 2. 2.]