Pytorch-0.4.0 深度学习之Tensor

骁勇善战的将军是在不断地的战斗中积累经验变强，好的学习方法是在实战中积累经验成长！

话不多少，上代码：

Tensor(张量)

import torch
import numpy as np

#   help() 查看 detach() 的用法，用这个函数输出loss的结果  loss.detach().numpy()
#print(help(torch.Tensor().detach()))

#   下面开始学习  tensor 的基本用法
#   torch -> numpy
#   Tensor -> array     这样最容易理解
#   numpy的 array 利用 CPU 加速，torch 的 Tensor 利用 GPU 加速 ,也可以把 torch 理解为 numpy 的GPU 替代品

x_torch = torch.Tensor([[1,2,3],[4,5,6],[7,8,9]])
x_numpy = np.array([[9,8,7],[6,5,4],[3,2,1]])
print(x_torch)
print( x_numpy)

结果为：
tensor([[ 1.,  2.,  3.],
        [ 4.,  5.,  6.],
        [ 7.,  8.,  9.]])
[[9 8 7]
 [6 5 4]
 [3 2 1]]

# 构建一个 5X3 的矩阵，未初始化的
x = torch.Tensor((5,3))
print(x)

结果为：
tensor([ 5.,  3.])

#   构建一个随机初始化的矩阵
x = torch.rand((5,3))
print(x)

结果为：
tensor([[ 0.7100,  0.3320,  0.5254],
        [ 0.9006,  0.2045,  0.6394],
        [ 0.8076,  0.9547,  0.8414],
        [ 0.4217,  0.5714,  0.5655],
        [ 0.3591,  0.0914,  0.6318]])

#   获取 x 的属性 size
print(x.size())

结果为：
torch.Size([5, 3])

#   对 tensor 类型的 操作
#   加法： 方法一
y = torch.rand(5,3)
print(x+y)

结果为：
tensor([[ 1.0701,  0.5820,  1.3096],
        [ 1.8020,  0.7354,  1.2867],
        [ 1.0784,  1.2207,  1.4266],
        [ 1.0801,  1.2514,  0.8699],
        [ 0.9364,  0.5626,  0.7570]])

#    加法： 方法二
print(torch.add(x,y))

结果为：
tensor([[ 1.0701,  0.5820,  1.3096],
        [ 1.8020,  0.7354,  1.2867],
        [ 1.0784,  1.2207,  1.4266],
        [ 1.0801,  1.2514,  0.8699],
        [ 0.9364,  0.5626,  0.7570]])

#   验证这两种方式的等效性
print((x+y)==(torch.add(x,y)))      # 返回的结果为 5X3 的全幺矩阵，即对应位置的元素是相等的

结果为：
tensor([[ 1,  1,  1],
        [ 1,  1,  1],
        [ 1,  1,  1],
        [ 1,  1,  1],
        [ 1,  1,  1]], dtype=torch.uint8)

# 亦可以将 x+y 的结果输出到一个指定的 trnsor 中
result = torch.Tensor((5,3))    # 此处的 result 为一个 未初始化的 5X3 的Tensor ，大小要与 x+y 的结果一致
torch.add(x,y,out=result)
print(result)
print((x+y) == (result))        # 验证是否等效，结果为 5X3 的全幺矩阵

结果为：
tensor([[ 1.0701,  0.5820,  1.3096],
        [ 1.8020,  0.7354,  1.2867],
        [ 1.0784,  1.2207,  1.4266],
        [ 1.0801,  1.2514,  0.8699],
        [ 0.9364,  0.5626,  0.7570]])

#   in-place(就地操作)
# add x to y
y.add_(x)
print(y)                    # 此处 y 的值被改变，其实 y.add_(x) 等价于 y +=x 即 y = y + x
print(result == y)          # 验证等价性

结果为：
tensor([[ 1.0701,  0.5820,  1.3096],
        [ 1.8020,  0.7354,  1.2867],
        [ 1.0784,  1.2207,  1.4266],
        [ 1.0801,  1.2514,  0.8699],
        [ 0.9364,  0.5626,  0.7570]])
tensor([[ 1,  1,  1],
        [ 1,  1,  1],
        [ 1,  1,  1],
        [ 1,  1,  1],
        [ 1,  1,  1]], dtype=torch.uint8)

#   Note: 任何改变张量的操作操作方法都是以后缀 _ 结尾的，例如： x.copy_(y),x.t_(y), 将改变张量 x

#   numpy 中的索引，切片操作 在 Tensor 中一样适用
print(x[:,1])       # 输出 x 的第一列

结果为：
tensor([ 0.3320,  0.2045,  0.9547,  0.5714,  0.0914])

#   利用 torch,view() 改变 Tensor 的大小
x = torch.rand((4,4))
y = x.view(16)
z = x.view((-1,8))          # 和 numpy 中的用法类似 ，自动计算 行数,结果为 2X8 的tensor
print(x.size(), y.size(), z.size())

结果为：
torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])

#   numpy-Bridge (即 numpy 桥)，用于实现 numpy 与 tensor 的相互转换
x_torch = torch.Tensor([[1,2,3],[4,5,6],[7,8,9]])
x_numpy = np.array([[1,2,3],[4,5,6],[7,8,9]])
x_numpy_to_torch = torch.from_numpy(x_numpy)
x_torch_to_numpy = x_torch.numpy()

print(x_numpy)
print(x_torch_to_numpy)
print("----------------我是可爱的分界线-----------------")
print(x_torch)
print(x_numpy_to_torch)

print("----------------我是可爱的分界线-----------------")
#   这里不能直接比较转换后的 数据 因为数据类型不同，会报错
#   numpy的 array默认的数据类型为 numpy.int32, 而 torch 的 Tensor 的默认输出数据类型为 torch.float32,所以要进行数据类型转换
#   numpy 中 用 astype()    ， torch 中用 type()
x_numpy_to_torch = torch.from_numpy(x_numpy).type(torch.float32)
x_torch_to_numpy = x_torch.numpy().astype(np.int32)

print(x_torch == x_numpy_to_torch)
print(x_numpy == x_torch_to_numpy)

结果为：
[[1 2 3]
 [4 5 6]
 [7 8 9]]
[[1. 2. 3.]
 [4. 5. 6.]
 [7. 8. 9.]]
----------------我是可爱的分界线-----------------
tensor([[ 1.,  2.,  3.],
        [ 4.,  5.,  6.],
        [ 7.,  8.,  9.]])
tensor([[ 1,  2,  3],
        [ 4,  5,  6],
        [ 7,  8,  9]], dtype=torch.int32)
----------------我是可爱的分界线-----------------
tensor([[ 1,  1,  1],
        [ 1,  1,  1],
        [ 1,  1,  1]], dtype=torch.uint8)
[[ True  True  True]
 [ True  True  True]
 [ True  True  True]]

#   Note: 除了 Char Tensor 外,CPU 上的所有的 Tensor 都支持与 numpy 相互转换

#   cuda Tensor
#   可以使用 .cuda 方法将 Tensors 在 GPU 上 加速

print(torch.cuda.is_available())        # 结果为 True ，说明 cuda 是正确安装的且能用的
if torch.cuda.is_available():
    x_torch = x_torch.cuda()
    x_numpy_to_torch = x_numpy_to_torch.cuda()
    result = x_torch + x_numpy_to_torch
    print(result)

结果为：

True
tensor([[  2.,   4.,   6.],
        [  8.,  10.,  12.],
        [ 14.,  16.,  18.]], device='cuda:0')

 

Reference:

Pytorch中Tensor与各种图像格式的相互转化