神经网络系列（2）——了解张量

了解张量

张量类似于Numpy的数组，可以在GPU上使用，并能改善性能

1、标量 （0维张量）

包含一个元素的张量称为标量。标量的类型通常是FloatTensor或LongTensor。如下：

import torch
x = torch.rand(6)
x.size()   
print(type(x.size(0)))
# 输出：torch.Size([6])
# <class 'int'>

2、向量（一维张量）

他是一个元素序列的数组
例如：存储一周的最高气温

temp_max = torch.FloatTensor([23.6,25.9,29.3,30.1,31.4,30.8,29.5])
print(temp_max.size())
print(type(temp_max))
'''
torch.Size([7])
<class 'torch.Tensor'>
'''

3、矩阵（二维张量）

把csv文件打开为numpy数组，用torch提供的函数from_numpy将数组转换为torch张量，输出的张量形状为506行*14列的矩阵

import numpy as np

np1 = np.loadtxt('housing.csv')
boston_tensor = torch.from_numpy((np1))
print(boston_tensor.size())
# torch.Size([506, 14])

获取前两份内容并打印：

print(boston_tensor[:2])
'''
tensor([[6.3200e-03, 1.8000e+01, 2.3100e+00, 0.0000e+00, 5.3800e-01, 6.5750e+00,
         6.5200e+01, 4.0900e+00, 1.0000e+00, 2.9600e+02, 1.5300e+01, 3.9690e+02,
         4.9800e+00, 2.4000e+01],
        [2.7310e-02, 0.0000e+00, 7.0700e+00, 0.0000e+00, 4.6900e-01, 6.4210e+00,
         7.8900e+01, 4.9671e+00, 2.0000e+00, 2.4200e+02, 1.7800e+01, 3.9690e+02,
         9.1400e+00, 2.1600e+01]], dtype=torch.float64)
'''

4、3维张量
把几个矩阵累加到一起，就得到了一个三维张量。举个例子，就是图片。
一般进行图像分类的图片，我们会将它处理成（224，224，3）张量，这三个（RGB）依次表示：高度，宽度，通道数。

from PIL import Image

pic = np.array(Image.open('pic.jpg').resize((224,224)))
pic_tensor = torch.tensor(pic)
print(pic_tensor.size())
plt.imshow(pic_tensor)
plt.show()

5、切片张量
张量的一个常见操作就是切片，以前面所写的最高温度为例：

temp_max[:5]  # tensor([23.6000, 25.9000, 29.3000, 30.1000, 31.4000])

还可以做一些有趣的事，比如裁剪出图片中的面部

plt.imshow(pic_tensor[25:100,100:150,].numpy())

6、四维张量
常见的类型是用于批处理图像，由于GPU内存的限制，一般常用的批处理尺寸是16，32，64.

7、五维张量
使用到五维张量的例子可能就是视频数据了，视频可以划分为帧，比如一个一分钟的短视频，假设包含的帧数为60，那么，这个视频表示的形状可能就是（1，60，224，224，3）的张量。

8、GPU上的张量
进行一些张量计算，同时可以体现出CPU和GPU之间的性能

a = torch.rand(10000,10000)
b = torch.rand(10000,10000)
start = time.time()
a.matmul(b)
end = time.time()
print('a*b耗时：',end - start)  # a*b耗时： 10.270581245422363

a = torch.rand(10000,10000)
b = torch.rand(10000,10000)
a = a.cuda()
b = b.cuda()
start = time.time()
a.matmul(b)
end = time.time()
print('a*b耗时：',end - start)  # a*b耗时： 0.6859965324401855

可以直观的看出两者之间的算力差距

文中用到的housing.csv；pic.jpg，会上传到我的资源中，有需要可以下载操作。其实也没那么需要，大家改成自己想操作的文件就可以。

以上。