pytorch教程(1.1)——认识tensor

摘要

张量是一种特殊的数据结构，与数组和矩阵非常相似。 在 PyTorch 中，我们使用张量对模型的输入和输出以及模型的参数进行编码。
张量类似于 NumPy 的 ndarray，不同之处在于张量可以在 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，从而无需复制数据（参见 Bridge with NumPy）。 张量也针对自动微分进行了优化（我们将在后面的 Autograd 部分看到更多相关信息）。 如果您熟悉 ndarrays，那么您将熟悉 Tensor API。

import torch
import numpy as np

初始化张量

张量可以通过多种方式初始化。 看看下面的例子：

直接从数据中

可以直接从数据中创建张量。

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

从 NumPy 数组

可以从 NumPy 数组创建张量（反之亦然 - 请参阅 Bridge with NumPy）。

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

来自另一个张量：

新张量保留参数张量的属性（形状、数据类型），除非明确覆盖。

x_ones = torch.ones_like(x_data) # retains the properties of x_data
print(f"Ones Tensor: \n {x_ones} \n")

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

输出：

使用随机值或常量值：

形状是张量维度的元组。 在下面的函数中，它决定了输出张量的维度。

shape = (2,3,)
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}")

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}")
print(f"Datatype of tensor: {tensor.dtype}")
print(f"Device tensor is stored on: {tensor.device}")

张量运算

这里全面描述了 100 多种张量运算，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（速度通常比在 CPU 上更高）。
默认情况下，张量是在 CPU 上创建的。 我们需要使用 .to 方法（在检查 GPU 可用性之后）显式地将张量移动到 GPU。 请记住，跨设备复制大张量在时间和内存方面可能很昂贵！

# We move our tensor to the GPU if available
if torch.cuda.is_available():
  tensor = tensor.to('cuda')
  print(f"Device tensor is stored on: {tensor.device}")

尝试列表中的一些操作。 如果您熟悉 NumPy API，您会发现 Tensor API 使用起来轻而易举。
标准的类似 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)

连接张量您可以使用 torch.cat 沿给定维度连接一系列张量。 另见torch.stack。

t1 = torch.cat([tensor, tensor, tensor], dim=1)
print(t1)
t2 = torch.cat([tensor, tensor, tensor], dim=0)
print(t2)

算术运算

a=torch.Tensor([[1,2,3],[4,5,6]])
print("a:", "\n",a)
print("矩阵相乘：", "\n", a@a.T)
print("矩阵对应位置相乘：", "\n", a*a)

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

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

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。

使用 NumPy 桥接

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

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

张量的变化反映在 NumPy 数组中。

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