数据操作
首先,我们导入`torch`。请注意,虽然它被称为PyTorch,但是代码中使用`torch`而不是`pytorch`
[1]:
import torch
张量表示一个由数值组成的数组,这个数组可能有多个维度
[2]:
x = torch.arange(12)
x
[2]:
tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
可以通过张量的shape
属性来访问张量(沿每个轴的长度)的形状 和张量中元素的总数
[3]:
x.shape
[3]:
torch.Size([12])
[6]:
Selection deleted
x.numel()
[6]:
12
要想改变一个张量的形状而不改变元素数量和元素值,可以调用reshape
函数
[7]:
X = x.reshape(3, 4)
X
[7]:
tensor([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]])
使用全0、全1、其他常量,或者从特定分布中随机采样的数字
[6]:
torch.zeros((2, 3, 4))
[6]:
tensor([[[0., 0., 0., 0.], [0., 0., 0., 0.], [0., 0., 0., 0.]], [[0., 0., 0., 0.], [0., 0., 0., 0.], [0., 0., 0., 0.]]])
[7]:
torch.ones((2, 3, 4))
[7]:
tensor([[[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]], [[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]]])
[8]:
torch.randn(3, 4)
[8]:
tensor([[-0.0135, 0.0665, 0.0912, 0.3212], [ 1.4653, 0.1843, -1.6995, -0.3036], [ 1.7646, 1.0450, 0.2457, -0.7732]])
通过提供包含数值的Python列表(或嵌套列表),来为所需张量中的每个元素赋予确定值
[9]:
torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
[9]:
tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
常见的标准算术运算符(+
、-
、*
、/
和**
)都可以被升级为按元素运算
[10]:
x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
x + y, x - y, x * y, x / y, x ** y
[10]:
(tensor([ 3., 4., 6., 10.]), tensor([-1., 0., 2., 6.]), tensor([ 2., 4., 8., 16.]), tensor([0.5000, 1.0000, 2.0000, 4.0000]), tensor([ 1., 4., 16., 64.]))
“按元素”方式可以应用更多的计算
[11]:
torch.exp(x)
[11]:
tensor([2.7183e+00, 7.3891e+00, 5.4598e+01, 2.9810e+03])
我们也可以把多个张量连结(concatenate)在一起
[12]:
X = torch.arange(12, dtype=torch.float32).reshape((3,4))
Y = torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
torch.cat((X, Y), dim=0), torch.cat((X, Y), dim=1)
[12]:
(tensor([[ 0., 1., 2., 3.], [ 4., 5., 6., 7.], [ 8., 9., 10., 11.], [ 2., 1., 4., 3.], [ 1., 2., 3., 4.], [ 4., 3., 2., 1.]]), tensor([[ 0., 1., 2., 3., 2., 1., 4., 3.], [ 4., 5., 6., 7., 1., 2., 3., 4.], [ 8., 9., 10., 11., 4., 3., 2., 1.]]))
通过逻辑运算符构建二元张量
[13]:
X == Y
[13]:
tensor([[False, True, False, True], [False, False, False, False], [False, False, False, False]])
对张量中的所有元素进行求和,会产生一个单元素张量
[14]:
X.sum()
[14]:
tensor(66.)
即使形状不同,我们仍然可以通过调用 广播机制(broadcasting mechanism)来执行按元素操作
[15]:
a = torch.arange(3).reshape((3, 1))
b = torch.arange(2).reshape((1, 2))
a, b
[15]:
(tensor([[0], [1], [2]]), tensor([[0, 1]]))
[16]:
a + b
[16]:
tensor([[0, 1], [1, 2], [2, 3]])
可以用[-1]
选择最后一个元素,可以用[1:3]
选择第二个和第三个元素
[17]:
X[-1], X[1:3]
[17]:
(tensor([ 8., 9., 10., 11.]), tensor([[ 4., 5., 6., 7.], [ 8., 9., 10., 11.]]))
除读取外,我们还可以通过指定索引来将元素写入矩阵
[18]:
X[1, 2] = 9
X
[18]:
tensor([[ 0., 1., 2., 3.], [ 4., 5., 9., 7.], [ 8., 9., 10., 11.]])
为多个元素赋值相同的值,我们只需要索引所有元素,然后为它们赋值
[19]:
X[0:2, :] = 12
X
[19]:
tensor([[12., 12., 12., 12.], [12., 12., 12., 12.], [ 8., 9., 10., 11.]])
运行一些操作可能会导致为新结果分配内存
[20]:
before = id(Y)
Y = Y + X
id(Y) == before
[20]:
False
执行原地操作
[21]:
Z = torch.zeros_like(Y)
print('id(Z):', id(Z))
Z[:] = X + Y
print('id(Z):', id(Z))
id(Z): 140327634811696 id(Z): 140327634811696
如果在后续计算中没有重复使用X
, 我们也可以使用X[:] = X + Y
或X += Y
来减少操作的内存开销
[22]:
before = id(X)
X += Y
id(X) == before
[22]:
True
转换为NumPy张量(ndarray
)
[23]:
A = X.numpy()
B = torch.tensor(A)
type(A), type(B)
[23]:
(numpy.ndarray, torch.Tensor)
将大小为1的张量转换为Python标量
[24]:
a = torch.tensor([3.5])
a, a.item(), float(a), int(a)
[24]:
(tensor([3.5000]), 3.5, 3.5, 3)