PyTorch-Tensor学习

张量（Tensor）是一种特殊的数据结构，与数组和矩阵非常相似。在PyTorch中，我们使用张量来编码模型的输入和输出，以及模型的参数。

张量类似于NumPy的ndarrays，除了张量可以在GPU或其他硬件加速器上运行。事实上，张量和NumPy数组通常可以共享相同的底层内存，从而消除了复制数据的需要。Tensor还针对自动微分进行了优化。

1. Tensor初始化

1. 直接使用数据初始化tensor

import torch
import numpy as np

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

 2. 用np数组初始化tensor

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

 

3. 使用一个tensor初始化另一个tensor

3.1 创建tensor x_ones，并且值全部为1，x_ones的形状与x_data相同；ones_like这个函数可以方便的根据某个张量的形状创建一个值为全1的tensor

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

输出：

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

3.2 使用x_data创建tensor x_rand，rand_like这个函数使此张量内的值是0-1之间的随机数，dtype可以设置张量的数据类型。

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

输出：

Random Tensor: 
 tensor([[0.9329, 0.2087],
        [0.1134, 0.1782]])

2. 张量的维度

shape是张量维度的元组。在下面的函数中，它决定了输出张量的维度。

shape = (2,3,) #2行、3列
rand_tensor = torch.rand(shape) #值是0-1的随机数
ones_tensor = torch.ones(shape) #值全1
zeros_tensor = torch.zeros(shape) #值全0

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

输出：

Random Tensor:
 tensor([[0.2715, 0.6069, 0.7522],
        [0.5290, 0.5572, 0.3015]])

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

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

3. 张量的属性

张量属性描述了它们的形状、数据类型和存储它们的设备。

tensor = torch.rand(3,4)

print(f"Shape of tensor: {tensor.shape}")  #输出张量的维度
print(f"Datatype of tensor: {tensor.dtype}")  #输出张量的数据类型
print(f"Device tensor is stored on: {tensor.device}")  #输出存储张量的设备

输出：

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

4. 对张量的操作

有超过100个张量操作，包括算术，线性代数，矩阵操作（转置，索引，切片），采样等。

这些操作中的每一个都可以在GPU上运行（通常比在CPU上运行的速度更高）。

默认情况下，张量在CPU上创建。我们需要使用.to方法显式地将张量移动到GPU（在检查GPU可用性之后）。跨设备复制大型张量在时间和内存方面可能是昂贵的！

# We move our tensor to the GPU if available
if torch.cuda.is_available():
  tensor = tensor.to('cuda')

1. 类似Numpy的索引和切片

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

输出：

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.]])

2. 连接张量

使用cat连接多个张量

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

输出：

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.]])

3. 数学运算

3.1 矩阵乘

# 计算两个张量之间的矩阵乘法。y1, y2, y3将具有相同的值
y1 = tensor @ tensor.T
y2 = tensor.matmul(tensor.T)

y3 = torch.rand_like(tensor)
torch.matmul(tensor, tensor.T, out=y3)
print('y1: ',y1)
print('y2: ',y2)
print('y3: ',y3)

输出：

y1:  tensor([[3., 3., 3., 3.],
        [3., 3., 3., 3.],     
        [3., 3., 3., 3.],     
        [3., 3., 3., 3.]])    
y2:  tensor([[3., 3., 3., 3.],
        [3., 3., 3., 3.],     
        [3., 3., 3., 3.],     
        [3., 3., 3., 3.]])    
y3:  tensor([[3., 3., 3., 3.],
        [3., 3., 3., 3.],
        [3., 3., 3., 3.],
        [3., 3., 3., 3.]])

3.2 矩阵元素乘

# 计算逐元素乘积。z1、z2、z3将具有相同的值
z1 = tensor * tensor
z2 = tensor.mul(tensor)

z3 = torch.rand_like(tensor)
torch.mul(tensor, tensor, out=z3)
print('z1: ',z1)
print('z2: ',z2)
print('z3: ',z3)

输出：

z1:  tensor([[1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.]])
z2:  tensor([[1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.]])
z3:  tensor([[1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.]])

4. 单元素张量

如果你有一个单元素张量，例如通过将张量的所有值聚合成一个值，你可以使用item()将其转换为Python数值：

agg = tensor.sum()
agg_item = agg.item()
print(tensor)
print(agg_item, type(agg_item))

输出：

tensor([[1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.]])
12.0 <class 'float'>

5. 就地操作

将结果存储到操作数中的操作称为就地操作。它们用_后缀表示。例如：x.copy_(y), x.t_()，将直接改变x。

就地操作节省了一些内存，但在计算导数时可能会出现问题，因为会立即丢失历史记录。因此，不鼓励使用它们。

print(tensor, "\n")
tensor.add_(5)
print(tensor)

输出：

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.]])

5. 与Numpy关联

1. CPU和NumPy数组上的张量可以共享它们的底层内存位置，改变一个会改变另一个。

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

输出：

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

2. 对tensor的改变，也会反映到numpy数组上

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

输出：

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

3. 用numpy array初始化tensor

n = np.ones(5)
t = torch.from_numpy(n)

4. 改变numpy array也会改变tensor

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

输出：

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