（一）pytorch学习笔记---内容为学习资源摘录整合のTensor and Variable

 

一、把 PyTorch 当做 NumPy 用

import torch
import numpy as np

PyTorch 的官方介绍是一个拥有强力GPU加速的张量和动态构建网络的库，其主要构件是张量，所以我们可以把 PyTorch 当做 NumPy 来用，PyTorch 的很多操作好 NumPy 都是类似的，但是因为其能够在 GPU 上运行，所以有着比 NumPy 快很多倍的速度。

# 创建一个 numpy ndarray
numpy_tensor = np.random.randn(10, 20)

1. 我们可以使用下面两种方式将numpy的ndarray转换到tensor上，使用以上两种方法进行转换的时候，会直接将 NumPy ndarray 的数据类型转换为对应的 PyTorch Tensor 数据类型

pytorch_tensor1 = torch.Tensor(numpy_tensor)
pytorch_tensor2 = torch.from_numpy(numpy_tensor)

2. 同时我们也可以使用下面的方法将 pytorch tensor 转换为 numpy ndarray，需要注意 GPU 上的 Tensor 不能直接转换为 NumPy ndarray，需要使用.cpu()先将 GPU 上的 Tensor 转到 CPU 上

# 如果 pytorch tensor 在 cpu 上
numpy_array = pytorch_tensor1.numpy()

# 如果 pytorch tensor 在 gpu 上
numpy_array = pytorch_tensor1.cpu().numpy()

3.PyTorch Tensor 使用 GPU 加速，我们可以使用以下两种方式将 Tensor 放到 GPU 上

使用第一种方式将 tensor 放到 GPU 上的时候会将数据类型转换成定义的类型，而是用第二种方式能够直接将 tensor 放到 GPU 上，类型跟之前保持一致，推荐在定义 tensor 的时候就明确数据类型，然后直接使用第二种方法将 tensor 放到 GPU 上

# 第一种方式是定义 cuda 数据类型
dtype = torch.cuda.FloatTensor # 定义默认 GPU 的 数据类型
gpu_tensor = torch.randn(10, 20).type(dtype)

# 第二种方式更简单，推荐使用
gpu_tensor = torch.randn(10, 20).cuda(0) # 将 tensor 放到第一个 GPU 上
gpu_tensor = torch.randn(10, 20).cuda(1) # 将 tensor 放到第二个 GPU 上

而将 tensor 放回 CPU 的操作非常简单

cpu_tensor = gpu_tensor.cpu()

4.我们也能够访问到 Tensor 的一些属性

# 可以通过下面两种方式得到 tensor 的大小
print(pytorch_tensor1.shape)
print(pytorch_tensor1.size())

torch.Size([10, 20])
torch.Size([10, 20])

# 得到 tensor 的数据类型
print(pytorch_tensor1.type())

torch.FloatTensor

# 得到 tensor 的维度
print(pytorch_tensor1.dim())

2

# 得到 tensor 的所有元素个数
print(pytorch_tensor1.numel())

最后，查阅以下文档了解 tensor 的数据类型

小结：创建一个 float64、大小是 3 x 2、随机初始化的 tensor，将其转化为 numpy 的 ndarray，输出其数据类型

参考输出: float64

# 答案
x = torch.randn(3, 2)
x = x.type(torch.DoubleTensor)
x_array = x.numpy()
print(x_array.dtype)

 

二、Tensor的操作

Tensor 操作中的 api 和 NumPy 非常相似，如果你熟悉 NumPy 中的操作，那么 tensor 基本是一致的，下面我们来列举其中的一些操作

x = torch.ones(2, 2)
print(x) # 这是一个float tensor

 1  1
 1  1
[torch.FloatTensor of size 2x2]

print(x.type())

torch.FloatTensor

1.将x转化为整形

x = x.long()
# x = x.type(torch.LongTensor)
print(x)

 1  1
 1  1
[torch.LongTensor of size 2x2]

# 再将其转回 float
x = x.float()
# x = x.type(torch.FloatTensor)
print(x)

 1  1
 1  1
[torch.FloatTensor of size 2x2]

x = torch.randn(4, 3)
print(x)

-0.8203 -0.0328  1.8283
-0.1734 -0.1873  0.9818
-1.8368 -2.2450 -0.4410
-0.8005 -2.1132  0.7140
[torch.FloatTensor of size 4x3]

2. 沿着行取最大值

max_value, max_idx = torch.max(x, dim=1)

# 每一行的最大值
max_value

 1.8283
 0.9818
-0.4410
 0.7140
[torch.FloatTensor of size 4]

# 每一行最大值的下标
max_idx

 2
 2
 2
 2
[torch.LongTensor of size 4]

# 沿着行对 x 求和
sum_x = torch.sum(x, dim=1)
print(sum_x)

 0.9751
 0.6212
-4.5228
-2.1997
[torch.FloatTensor of size 4]

3.增加维度或者减少维度

print(x.shape)
x = x.unsqueeze(0) # 在第一维增加
print(x.shape)

torch.Size([4, 3])
torch.Size([1, 4, 3])

x = x.unsqueeze(1) # 在第二维增加
print(x.shape)

torch.Size([1, 1, 4, 3])

x = x.squeeze(0) # 减少第一维
print(x.shape)

torch.Size([1, 4, 3])

x = x.squeeze() # 将 tensor 中所有的一维全部都去掉
print(x.shape)

torch.Size([4, 3])

x = torch.randn(3, 4, 5)
print(x.shape)

4. 使用permute和transpose进行维度交换

x = x.permute(1, 0, 2) # permute 可以重新排列 tensor 的维度
print(x.shape)

x = x.transpose(0, 2)  # transpose 交换 tensor 中的两个维度
print(x.shape)

torch.Size([3, 4, 5])
torch.Size([4, 3, 5])
torch.Size([5, 3, 4])

# 使用 view 对 tensor 进行 reshape
x = torch.randn(3, 4, 5)
print(x.shape)

torch.Size([3, 4, 5])

x = x.view(-1, 5) # -1 表示任意的大小，5 表示第二维变成 5
print(x.shape)

torch.Size([12, 5])

x = x.view(3, 20) # 重新 reshape 成 (3, 20) 的大小
print(x.shape)

torch.Size([3, 20])

5.两个 tensor 求和

x = torch.randn(3, 4)
y = torch.randn(3, 4)

z = x + y
# z = torch.add(x, y)

另外，pytorch中大多数的操作都支持 inplace 操作，也就是可以直接对 tensor 进行操作而不需要另外开辟内存空间，方式非常简单，一般都是在操作的符号后面加   '_'，比如

x = torch.ones(3, 3)
print(x.shape)

torch.Size([3, 3])

# unsqueeze 进行 inplace
x.unsqueeze_(0)
print(x.shape)

torch.Size([1, 3, 3])

# transpose 进行 inplace
x.transpose_(1, 0)
print(x.shape)

torch.Size([3, 1, 3])

x = torch.ones(3, 3)
y = torch.ones(3, 3)
print(x)

# add 进行 inplace
x.add_(y)
print(x)

最后：访问文档了解 tensor 更多的 api

小结：实现下面的要求，创建一个 float32、4 x 4 的全为1的矩阵，将矩阵正中间 2 x 2 的矩阵，全部修改成2

参考输出

 1  1  1  1
 1  2  2  1
 1  2  2  1
 1  1  1  1

# 答案
x = torch.ones(4, 4).float()
x[1:3, 1:3] = 2
print(x)

 1  1  1  1
 1  2  2  1
 1  2  2  1
 1  1  1  1
[torch.FloatTensor of size 4x4]

三、Variable

tensor 是 PyTorch 中的完美组件，但是构建神经网络还远远不够，我们需要能够构建计算图的 tensor，这就是 Variable。Variable 是对 tensor 的封装，操作和 tensor 是一样的，但是每个 Variabel都有三个属性，

Variable 中的 tensor本身  .data，

对应 tensor 的梯度   .grad

以及这个 Variable 是通过什么方式得到的   .grad_fn

# 通过下面这种方式导入 Variable
from torch.autograd import Variable

x_tensor = torch.randn(10, 5)
y_tensor = torch.randn(10, 5)

1. 将 tensor 变成 Variable

x = Variable(x_tensor, requires_grad=True) # 默认 Variable 是不需要求梯度的，所以我们用这个方式申明需要对其进行求梯度
y = Variable(y_tensor, requires_grad=True)

z = torch.sum(x + y)

print(z.data)

-2.1379
[torch.FloatTensor of size 1]
print(z.grad_fn)<SumBackward0 object at 0x10da636a0>

上面我们打出了 z 中的 tensor 数值，同时通过grad_fn知道了其是通过 Sum 这种方式得到的

# 求 x 和 y 的梯度
z.backward()

print(x.grad)

Variable containing:
    1     1     1     1     1
    1     1     1     1     1
    1     1     1     1     1
    1     1     1     1     1
    1     1     1     1     1
    1     1     1     1     1
    1     1     1     1     1
    1     1     1     1     1
    1     1     1     1     1
    1     1     1     1     1
[torch.FloatTensor of size 10x5]

print(y.grad)

Variable containing:
    1     1     1     1     1
    1     1     1     1     1
    1     1     1     1     1
    1     1     1     1     1
    1     1     1     1     1
    1     1     1     1     1
    1     1     1     1     1
    1     1     1     1     1
    1     1     1     1     1
    1     1     1     1     1
[torch.FloatTensor of size 10x5]

通过.grad我们得到了 x 和 y 的梯度，这里我们使用了 PyTorch 提供的自动求导机制，非常方便，下一小节会具体讲自动求导。

小结：

尝试构建一个函数 y=x**2，然后求 x=2 的导数。

参考输出：4

# 答案
x = Variable(torch.FloatTensor([2]), requires_grad=True)
y = x ** 2
y.backward()
print(x.grad)

Variable containing:
 4
[torch.FloatTensor of size 1]