PyTorch之Tensor简单入门

0. 目录

1. Tensor 简介
2. 创建 Tensor
3. 单个 Tensor 的操作
4. 两个 Tensor 间操作
5. Tensor 和 Numpy 互操作
6. Tensor 转为 GPU Tensor

1. Tensor 简介

Tensor 是 PyTorch 中重要的数据结构。可以把 Tensor 理解为一个高维数组。

Tensor 可以是一个数（标量）、一维数组（向量）、二维数组（矩阵）或更高维的数组。

import torch

2. 创建 Tensor

① 直接构造：

x = torch.tensor([5, 2, 0])
print(x)

tensor([5, 2, 0])

x = torch.tensor([[5, 2, 0], [2, 5, 0]])
print(x)

tensor([[5, 2, 0],
        [2, 5, 0]])

② [0, 1] 均匀分布随机初始化 Tensor:

x = torch.rand([3, 4])
print(x)

tensor([[0.2243, 0.9589, 0.1012, 0.5025],
        [0.2722, 0.6426, 0.8190, 0.3579],
        [0.4929, 0.7538, 0.0033, 0.7509]])

③ 初始化元素全部为 0 的 Tensor:

x = torch.zeros([5, 3])
print(x)

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

创建一个 Tensor 后，如下方法判断变量是否为 Tensor：

print(torch.is_tensor(x))

True

3. 单个 Tensor 的操作

① 查看 Tensor 的形状：

x = torch.zeros([3, 4]) # 创建一个 Tensor
print(x.size()) # 打印 x 的形状 

torch.Size([3, 4])

② 修改 Tensor 的形状：（元素的个数保持一致）

x_view = x.view([4, -1]) # 修改该 Tensor 的形状，-1表示自动补齐，这里 -1 相当于 3
print(x_view.size()) # 打印修改后 Tensor 的形状
print(x.size()) # 注意 x 本身的形状不发生改变

torch.Size([4, 3])
torch.Size([3, 4])

③ 修改 Tensor 部分元素的值：

x = torch.ones([2, 3]) # 创建一个元素值都为一的 Tensor
print(x)
x[1,1] = 0 # 下标为[1, 1]的元素值改为 0
print(x)
x[0, :] = 2 # 切片操作，与numpy中的操作类似，这里是将第一行所有元素值改为 2
print(x)

tensor([[1., 1., 1.],
        [1., 1., 1.]])
tensor([[1., 1., 1.],
        [1., 0., 1.]])
tensor([[2., 2., 2.],
        [1., 0., 1.]])

4. 两个 Tensor 间操作

两个 Tensor 相加：

x = torch.tensor([[1, 2], [3, 4]])
y = torch.tensor([[2, 3], [4, 5]])
z1 = x + y
z2 = torch.add(x, y)
print(z1)
print(z2)

tensor([[3, 5],
        [7, 9]])
tensor([[3, 5],
        [7, 9]])

print(x)
# 观察一下两种方式有何区别
x.add(y)
print(x)
x.add_(y)
print(x)

tensor([[1, 2],
        [3, 4]])
tensor([[1, 2],
        [3, 4]])
tensor([[3, 5],
        [7, 9]])

注：函数名后面带“”的函数会修改 Tensor 本身。不带“”的会返回一个新的 Tensor，而本身不变。

其他操作读者可举一反三：

tensor3 = torch.sub(tensor1, tensor2) # 减

tensor4 = torch.mul(tensor1, tensor2) # 乘

tensor5 = torch.div(tensor1, tensor2) # 矩阵点除

tensor6 = torch.matmul(tensor1, tensor2) # 矩阵乘

5. Tensor 和 Numpy 互操作

Tensor 和 numpy 间的互操作十分容易和快速。Tensor 不支持的操作，可以先转为 numpy 数组处理，之后再转回 Tensor

① Tensor 转 numpy：

x = torch.rand([2, 2]) # 随机初始化一个 Tensor
y = x.numpy() # Tensor 转 numpy
print(x)
print(y)

tensor([[0.5345, 0.5730],
        [0.4347, 0.8068]])
[[0.53450364 0.5730201 ]
 [0.43467194 0.8068322 ]]

② numpy 转 Tenosr：

import numpy as np
x = np.ones([2, 2]) # 随机初始化一个 numpy
y = torch.from_numpy(x) # numpy 转 Tensor
print(x)
print(y)

[[1. 1.]
 [1. 1.]]
tensor([[1., 1.],
        [1., 1.]], dtype=torch.float64)

6. Tensor 转为 GPU Tensor

Tensor 可通过 .cuda 方法转为 GPU 的 Tensor，从而可以享受 GPU 带来的加速运算：

x = torch.ones([3, 3])
y = torch.ones([3, 3])
if torch.cuda.is_available(): # 支持GPU返回True，不支持返回False
    x.cuda()
    y.cuda()
    z = x + y
    print(z)

tensor([[2., 2., 2.],
        [2., 2., 2.],
        [2., 2., 2.]])

文章转载自：https://blog.csdn.net/qq_41805511/article/details/92412778