深度学习框架拾遗：【Pytorch（五）】——Pytorch张量的数据结构

Pytorch的基本数据结构是张量Tensor。张量即多维数组。Pytorch的张量和numpy中的array很类似。

1）张量的数据类型

张量的数据类型和numpy.array基本一一对应（但是不支持str类型），包括:

• torch.float64(torch.double)
• torch.float32(torch.float)
• torch.float16
• torch.int64(torch.long)
• torch.int32(torch.int)
• torch.int16
• torch.int8
• torch.uint8
• torch.bool

一般神经网络建模使用的都是torch.float32类型。

import numpy as np
import torch

## 自动推断数据类型
i = torch.tensor(1);print(i,i.dtype)
x = torch.tensor(2.0);print(x,x.dtype)
b = torch.tensor(True);print(b,b.dtype)

## 指定数据类型
i = torch.tensor(i,dtype=torch.int32);print(i,i.dtype)
x = torch.tensor(2.0,dtype=torch.double);print(x,x.dtype)

## 使用特定类型的构造函数
i = torch.IntTensor(1);print(i,i.dtype)
x = torch.FloatTensor(np.array(2.0));print(x,x.dtype)
b = torch.BoolTensor(np.array([1,0,2,0]));print(b,b.dtype)

## 不同类型进行转换
i = torch.tensor(1); print(i,i.dtype)
x = i.float(); print(x,x.dtype) #调用 float方法转换成浮点类型
y = i.type(torch.float); print(y,y.dtype) #使用type函数转换成浮点类型
z = i.type_as(x);print(z,z.dtype) #使用type_as方法转换成某个Tensor相同类型

2）张量的维度

不同类型的数据可以用不同维度(dimension)的张量来表示：

• 标量为0维张量
• 向量为1维张量
• 矩阵为2维张量。
• 彩色图像有rgb三个通道，可以表示为3维张量
• 视频还有时间维，可以表示为4维张量

可以简单地总结为：有几层中括号，就是多少维的张量。

scalar = torch.tensor(True)
print(scalar)
print(scalar.dim())

vector = torch.tensor([1.0,2.0,3.0,4.0])
print(vector)
print(vector.dim())

matrix = torch.tensor([[1.0,2.0],[3.0,4.0]])
print(matrix)
print(matrix.dim())

tensor3 = torch.tensor([[[1.0,2.0],[3.0,4.0]],[[5.0,6.0],[7.0,8.0]]])
print(tensor3)
print(tensor3.dim())

tensor4 = torch.tensor([[[[1.0,1.0],[2.0,2.0]],[[3.0,3.0],[4.0,4.0]]],
                        [[[5.0,5.0],[6.0,6.0]],[[7.0,7.0],[8.0,8.0]]]]) 
print(tensor4)
print(tensor4.dim())

3）张量的尺寸

可以使用 shape属性或者 size()方法查看张量在每一维的长度。
可以使用view方法改变张量的尺寸。如果view方法改变尺寸失败，可以使用reshape方法.

scalar = torch.tensor(True)
print(scalar.size())
print(scalar.shape)

vector = torch.tensor([1.0,2.0,3.0,4.0])
print(vector.size())
print(vector.shape)

matrix = torch.tensor([[1.0,2.0],[3.0,4.0]])
print(matrix.size())

# 使用view可以改变张量尺寸
vector = torch.arange(0,12)
print(vector)
print(vector.shape)

matrix34 = vector.view(3,4)
print(matrix34)
print(matrix34.shape)

matrix43 = vector.view(4,-1) # -1表示该位置长度由程序自动推断
print(matrix43)
print(matrix43.shape)

# 有些操作会让张量存储结构扭曲，直接使用view会失败，可以用reshape方法
matrix26 = torch.arange(0,12).view(2,6)
print(matrix26)
print(matrix26.shape)

# 转置操作让张量存储结构扭曲
matrix62 = matrix26.t()
print(matrix62.is_contiguous())

# 直接使用view方法会失败，可以使用reshape方法
#matrix34 = matrix62.view(3,4) #error!
matrix34 = matrix62.reshape(3,4) #等价于matrix34 = matrix62.contiguous().view(3,4)
print(matrix34)

4）张量和numpy数组

可以用numpy方法从Tensor得到numpy数组，也可以用torch.from_numpy从numpy数组得到Tensor。这两种方法关联的Tensor和numpy数组是共享数据内存的。如果改变其中一个，另外一个的值也会发生改变。如果有需要，可以用张量的clone方法拷贝张量，中断这种关联。
此外，还可以使用item方法从标量张量得到对应的Python数值。使用tolist方法从张量得到对应的Python数值列表。

import numpy as np
import torch

# torch.from_numpy函数从numpy数组得到tensor
arr = np.zeros(3)
tensor = torch.from_numpy(arr)
print("before add 1:")
print(arr)
print(tensor)

print("\nafter add 1:")
np.add(arr,1,out=arr) # 给arr增加1，tensor也随之改变
print(arr)
print(tensor)

# numpy方法从Tensor得到numpy数组

tensor = torch.zeros(3)
arr = tensor.numpy()
print("before add 1:")
print(tensor)
print(arr)

print("\nafter add 1:")

#使用带下划线的方法表示计算结果会返回给调用 张量
tensor.add_(1) #给 tensor增加1，arr也随之改变 
#或： torch.add(tensor,1,out = tensor)
print(tensor)
print(arr)

# 可以用clone() 方法拷贝张量，中断这种关联

tensor = torch.zeros(3)

#使用clone方法拷贝张量, 拷贝后的张量和原始张量内存独立
arr = tensor.clone().numpy() # 也可以使用tensor.data.numpy()
print("before add 1:")
print(tensor)
print(arr)

print("\nafter add 1:")

#使用 带下划线的方法表示计算结果会返回给调用 张量
tensor.add_(1) #给 tensor增加1，arr不再随之改变
print(tensor)
print(arr)

# item方法和tolist方法可以将张量转换成Python数值和数值列表
scalar = torch.tensor(1.0)
s = scalar.item()
print(s)
print(type(s))

tensor = torch.rand(2,2)
t = tensor.tolist()
print(t)
print(type(t))