- 关于安装:建议官网(PyTorch)查指令安装:conda 指令后加-c pytorch表示安装pytorch 官网的源,如果要使用清华的源,则不加该参数
- pytorch的类型:
cpu:torch.IntTensor gpu:torch.cuda.IntTensor
- 使用size()和shape()可以得到tensor维度
- dim=3的张量很适合用于RNN和NLP:如20句话,每句话10个单词,每个单词用100个分量的向量表示,得到的Tensor就是shape=[20,10,100]。
a = torch.rand(1, 2, 3) # dim=3,shape=[1,2,3],随机取0~1之间的数 b = a[0] # 在第一个维度上取,得到的就是shape=[2,3]的dim=2的Tensor
- dim=4的张量适合用于CNN表示图像,CNN:[batch,channel,height,width]
- dim=3的张量很适合用于RNN和NLP:如20句话,每句话10个单词,每个单词用100个分量的向量表示,得到的Tensor就是shape=[20,10,100]。
- tensor.numel()计算tensor中的元素个数
- 创建tensor的方法:
- 从numpy创建:
a = np.array([2, 3.3]) a = torch.from_numpy(a) # torch.DoubleTensor
- 从list创建:
a = torch.FloatTensor([2, 3.3]) # 尽量少用这种方式,容易和给shape的情况看混淆 b = torch.tensor([2, 3.3]) # 现有list时尽量用这种方式 # 注意小写的tensor只接受现有的数据;而大写的Tensor相当于就是FloatTensor,既可以接收现有的数据,也可以接受shape来创建指定形状的Tensor。
- 使用相同元素构建:
# shape=2,3,所使用的相同的元素为7 b = torch.full([2, 3], 7)
- 等差序列:其实有些情况下可以把torch当做numpy使用
c = torch.arange(0, 8, 2) # tensor([0, 2, 4, 6])
- 从numpy创建:
- 初始化:
- 正态分布初始化:
a = torch.randn(2, 3) # 2行3列,正态分布~N(0,1) 得到的是torch.FloatTensor类型的数据
- 仅指定维度的初始化:按照shape来创建,而先不为其提供具体值。
# 生成2行3列的数据 a = torch.empty(2, 3) b = torch.FloatTensor(2, 3) c = torch.IntTensor(2, 3)
- 采样自0~1均匀分布:
a = torch.rand(3, 3)
-
随机初始化:
-
形如*_like接受一个Tensor,将这个Tensor的shape读取出来之后在送入*所表示的函数
# 下面的rand_like(a)即将a的shape=3,3读出来传给torch.rand()函数 b = torch.rand_like(a)
-
在区间[1,10)上随机采样,生成shape=2,2的LongTensor
c = torch.randint(1, 10, [2, 2])
-
- 使用何恺明的初始化方法:
w1 = torch.randn(200, 784, requires_grad=True) torch.nn.init.kaiming_normal_(w1)
- 网络中参数的初始化方法对网络的perform影响是很大的。
- 正态分布初始化:
- 修改tensor的默认类型:使用torch.tensor传入浮点数元素,或者使用torch.Tensor仅指定维度时,生成的默认是FloatTensor,也可以修改默认设置使其默认是其它类型的。
torch.set_default_tensor_type(torch.DoubleTensor)
- mask 索引:可以获取满足一些条件的值的位置索引,然后用这个索引去取出这些位置的元素。
# 取出a这个Tensor中大于0.5的元素 a = torch.randn(3, 4) print(a) x = a.ge(0.5) print(x) print(a[x])
- 改变shape:reshape函数
- 增加维度:正的索引是在那个维度原本的位置前面插入这个新增加的维度,负的索引是在那个位置之后插入。
print(a.unsqueeze(0).shape) # 在0号维度位置插入一个维度 print(a.unsqueeze(-1).shape) # 在最后插入一个维度 print(a.unsqueeze(3).shape) # 在3号维度位置插入一个维度
- 删减维度:删减维度实际上是一个压榨的过程,直观地看是把那些多余的[]给去掉,也就是只是去删除那些size=1的维度。
a = torch.Tensor(1, 4, 1, 9) print(a.shape) print(a.squeeze().shape) # 能删除的都删除掉 print(a.squeeze(0).shape) # 尝试删除0号维度,ok print(a.squeeze(2).shape) # 尝试删除2号维度,ok print(a.squeeze(3).shape) # 尝试删除3号维度,3号维度是9不是1,删除失败
- 维度扩展(expand):expand就是在某个size=1的维度上改变size,改成更大的一个大小,实际就是在每个size=1的维度上的标量的广播操作。
b = torch.rand(32) f = torch.rand(4, 32, 14, 14) # 想要把b加到f上面去 # 先进行维度增加 b = b.unsqueeze(1).unsqueeze(2).unsqueeze(0) print(b.shape) # 再进行维度扩展 b = b.expand(4, -1, 14, 14) # -1表示这个维度保持不变,这里写32也可以 print(b.shape) # 运行结果:torch.Size([1, 32, 1, 1]) # torch.Size([4, 32, 14, 14])
- 维度重复(repeat):repeat就是将每个位置的维度都重复至指定的次数,以形成新的Tensor。repeat会重新申请内存空间。
- 转置:只适用于dim=2的Tensor:
tensor.t()
- 维度交换:注意这种交换使得存储不再连续,再执行一些reshape的操作肯定是执行不了的,所以要调用一下contiguous()使其变成连续的维度。
d = torch.Tensor(6, 3, 1, 2) print(d.transpose(1, 3).contiguous().shape) # 1号维度和3号维度交换
- 使用permute可以直接指定维度新的所处位置
h.permute(0, 2, 3, 1)
- Broadcasting:
- 从最后面的维度开始匹配。
- 在前面插入若干维度。
- 将维度的size从1通过expand变到和某个Tensor相同的维度。
- 总之,Broadcasting也就是自动实现了若干unsqueeze和expand操作,以使两个Tensor的shape一致,从而完成某些操作(往往是加法)。
- 维度合并(cat):要保证其它维度的size是相同的。
a = torch.rand(4, 32, 8) b = torch.rand(5, 32, 8) print(torch.cat([a, b], dim=0).shape) # torch.Size([9, 32, 8]
- 合并新增(stack):stack需要保证两个Tensor的shape是一致的,这就像是有两类东西,它们的其它属性都是一样的(比如男的一张表,女的一张表)。使用stack时候要指定一个维度位置,在那个位置前会插入一个新的维度,因为是两类东西合并过来所以这个新的维度size是2,通过指定这个维度是0或者1来选择性别是男还是女。
c = torch.rand(4, 3, 32, 32) d = torch.rand(4, 3, 32, 32) print(torch.stack([c, d], dim=2).shape) # torch.Size([4, 3, 2, 32, 32]) print(torch.stack([c, d], dim=0).shape) # torch.Size([2, 4, 3, 32, 32])
- 对tensor进行拆分:
- 按照size的长度拆分:
a = torch.rand(2, 4, 3, 32, 32) a1, a2 = a.split(1, dim=0) # 对0号维度拆分,拆分后每个Tensor取长度1 print(a1.shape, a2.shape) # torch.Size([1, 4, 3, 32, 32]) torch.Size([1, 4, 3, 32, 32]) b = torch.rand(4, 3, 32, 32) b1, b2 = b.split([2, 1], dim=1) # 对1号维度拆分,拆分后第一个维度取2,第二个维度1 print(b1.shape, b2.shape) # torch.Size([4, 2, 32, 32]) torch.Size([4, 1, 32, 32])
- 按照份数等量拆分:给定在指定的维度上要拆分得的份数,就会按照指定的份数尽量等量地进行拆分。
c = torch.rand(7, 4) c1, c2, c3, c4 = c.chunk(4, dim=0) print(c1.shape, c2.shape, c3.shape, c4.shape) # 结果:torch.Size([2, 4]) torch.Size([2, 4]) torch.Size([2, 4]) torch.Size([1, 4])
- 按照size的长度拆分:
pytorch基础学习(1)
于 2022-12-03 14:16:05 首次发布