Pytorch主要特点是能够无缝和python语言整合,方便深度学习模型的构建和调试,以及使用动态计算图模型,灵活地实现各种需要的功能。Pytorch 的高性能和易用性使它拥有很多学术界用户的用户。目前Pytorch场景应用包含:计算机视觉和自然语言处理的应用、推荐系统、语音识别语音合成、以及强化学习的应用。本专栏主要记录PyTorch学习路径。
Tensor(张量)是PyTorch中重要的数据结构,可认为是一个高维数组。它可以是一个数(标量)、一维数组(向量)、二维数组(矩阵)以及更高维的数组。
# 导入库
from __future__ import print_function
import torch as t
t.__version__
# 构建 3x3 矩阵,只是分配了空间
x = t.Tensor(3,3)
# 初始化
x = t.Tensor([[1,2,3,],[3,4,5],[1,4,6]])
# 使用[0,1]均匀分布随机初始化二维数组
x = t.rand(3, 3)
print(x.size()) # 查看x的形状
x.size()[1], x.size(1) # 查看列的个数, 两种写法等价
#加法三种操作及对比
y = t.rand(3,3)
#第一种写法
x + y
#第二种写法
t.add(x, y)
#第三种写法
result = t.Tensor(3, 3) # 预先分配空间
t.add(x, y, out=result) # 输入到result
#对比函数名带下划线,会改变tensor内容
y.add(x) # 普通加法,不改变y的内容
y.add_(x) # inplace 加法,y变了
# Tensor的选取操作与Numpy类似
x[::,2]#取列
x[0,::]#取行
Tensor和Numpy的ndarrays类似,但Tensor可以使用GPU进行加速。
1.转换
# Tensor -> Numpy
a = t.ones(3)# 新建一个全1的Tensor
b = a.numpy()
# Numpy->Tensor
import numpy as np
a = np.ones(3)
b = t.from_numpy(a)
Tensor 和Numpy 对象共享内存,转换很快,但是改变是同时的。
备注:
1.如果你想获取某一个元素的值,可以使用scalar.item
。 直接tensor[idx]
得到的还是一个tensor: 一个0-dim 的tensor,一般称为scalar.
2.t.tensor()
或者tensor.clone()
总是会进行数据拷贝,新tensor和原来的数据不再共享内存。
3.使用torch.from_numpy()
或者tensor.detach()
来新建一个tensor, 二者共享内存。
4.Tensor可通过.cuda
方法转为GPU的Tensor,从而享受GPU带来的加速运算。