1. 张量¶

1.1. 概述¶

张量（tensor）是pytorch中的一种较为基础的数据结构，类比于numpy中的ndarrays，在pytorch中，张量可以在GPU中进行运算

通过以下命令，我们导入pytorch和numpy：

In [1]:

import torch

import numpy as np

1.2. 张量初始化¶

1.2.1. 直接生成张量¶

In [2]:

data = [[1, 2], [3, 4]]

x_data = torch.tensor(data)

In [3]:

x_data

Out[3]:

tensor([[1, 2],

        [3, 4]])

1.2.2. ndarrays转化¶

In [4]:

np_array = np.array(data)

x_np = torch.from_numpy(np_array)

In [5]:

x_np

Out[5]:

tensor([[1, 2],

        [3, 4]])

1.2.3. 通过已有张量生成¶

继承结构与数据类型：

In [6]:

x_ones = torch.ones_like(x_data)

In [7]:

x_ones

Out[7]:

tensor([[1, 1],

        [1, 1]])

继承结构，改变数据类型：

In [8]:

x_rand = torch.rand_like(x_data, dtype=torch.float)

In [9]:

x_rand

Out[9]:

tensor([[0.9849, 0.3644],

        [0.0800, 0.2939]])

1.2.4. 指定维数生成张量¶

用元组类型的数据指定维数：

In [10]:

shape = (2, 3)

生成张量：

In [11]:

torch.ones(shape)

Out[11]:

tensor([[1., 1., 1.],

        [1., 1., 1.]])

In [12]:

torch.zeros(shape)

Out[12]:

tensor([[0., 0., 0.],

        [0., 0., 0.]])

In [13]:

torch.rand(shape)

Out[13]:

tensor([[0.1744, 0.3771, 0.7969],

        [0.7098, 0.9853, 0.3950]])

1.3. 张量属性¶

维数：

In [14]:

x_data.shape

Out[14]:

torch.Size([2, 2])

数据类型：

In [15]:

x_data.dtype

Out[15]:

torch.int64

存储设备：

In [16]:

x_data.device

Out[16]:

device(type='cpu')

1.4. 张量计算¶

GPU对于张量的计算更快，检测GPU是否可用：

In [17]:

torch.cuda.is_available()

Out[17]:

False

显然，对于笔者设备来说，由于没有显卡，GPU加速是不可用的，如果设备GPU可用，可以将CPU中的数据导入GPU：

In [18]:

if torch.cuda.is_available():

    tensor = x_data.to('cuda')

1.4.1. 索引和切片¶

In [19]:

tensor = torch.ones((3, 4))

In [20]:

tensor

Out[20]:

tensor([[1., 1., 1., 1.],

        [1., 1., 1., 1.],

        [1., 1., 1., 1.]])

类比于ndarrays，tensor也可理解为是一个多维数组，以下表示将tensor变量的第一行、第一列变为0：

In [21]:

tensor[1, 1] = 0

In [22]:

tensor

Out[22]:

tensor([[1., 1., 1., 1.],

        [1., 0., 1., 1.],

        [1., 1., 1., 1.]])

以下表示将tensor变量的第三列变为0：

In [23]:

tensor[:, 3] = 0

In [24]:

tensor

Out[24]:

tensor([[1., 1., 1., 0.],

        [1., 0., 1., 0.],

        [1., 1., 1., 0.]])

1.4.2. 张量的拼接¶

In [25]:

tensor1 = torch.ones((3, 4))

tensor2 = torch.zeros((3, 4))

使用torch.cat()方法，指定维数进行拼接:

In [26]:

torch.cat([tensor1, tensor2], dim=1)

Out[26]:

tensor([[1., 1., 1., 1., 0., 0., 0., 0.],

        [1., 1., 1., 1., 0., 0., 0., 0.],

        [1., 1., 1., 1., 0., 0., 0., 0.]])

In [27]:

torch.cat([tensor1, tensor2], dim=0)

Out[27]:

tensor([[1., 1., 1., 1.],

        [1., 1., 1., 1.],

        [1., 1., 1., 1.],

        [0., 0., 0., 0.],

        [0., 0., 0., 0.],

        [0., 0., 0., 0.]])

In [28]:

torch.cat([tensor1, tensor2], dim=-1)

Out[28]:

tensor([[1., 1., 1., 1., 0., 0., 0., 0.],

        [1., 1., 1., 1., 0., 0., 0., 0.],

        [1., 1., 1., 1., 0., 0., 0., 0.]])

In [29]:

torch.cat([tensor1, tensor2], dim=-2)

Out[29]:

tensor([[1., 1., 1., 1.],

        [1., 1., 1., 1.],

        [1., 1., 1., 1.],

        [0., 0., 0., 0.],

        [0., 0., 0., 0.],

        [0., 0., 0., 0.]])

In [30]:

torch.cat([tensor1, tensor2, tensor], dim=-2)

Out[30]:

tensor([[1., 1., 1., 1.],

        [1., 1., 1., 1.],

        [1., 1., 1., 1.],

        [0., 0., 0., 0.],

        [0., 0., 0., 0.],

        [0., 0., 0., 0.],

        [1., 1., 1., 0.],

        [1., 0., 1., 0.],

        [1., 1., 1., 0.]])

此处实验 dim = 2 时，有:

In [31]:

torch.cat([tensor1, tensor2], dim=2)

---------------------------------------------------------------------------

IndexError                                Traceback (most recent call last)

<ipython-input-31-dc57fe12e880> in <module>

----> 1 torch.cat([tensor1, tensor2], dim=2)

IndexError: Dimension out of range (expected to be in range of [-2, 1], but got 2)

根据官网示例，此处dim的取值主要是0和1：

x = torch.randn(2, 3)

torch.cat((x, x, x), 0)

torch.cat((x, x, x), 1)

综上，dim的取值有 -2、-1、0、1，然而-2、-1与0、1的意思似乎是一样的

1.4.3. 张量的乘积与矩阵乘法¶

逐个元素相乘：

In [32]:

tensor.mul(tensor)

Out[32]:

tensor([[1., 1., 1., 0.],

        [1., 0., 1., 0.],

        [1., 1., 1., 0.]])

等价于：

In [33]:

tensor * tensor

Out[33]:

tensor([[1., 1., 1., 0.],

        [1., 0., 1., 0.],

        [1., 1., 1., 0.]])

张量与张量的矩阵乘法：

In [34]:

tensor.matmul(tensor.T)

Out[34]:

tensor([[3., 2., 3.],

        [2., 2., 2.],

        [3., 2., 3.]])

等价于：

In [35]:

tensor @ tensor.T

Out[35]:

tensor([[3., 2., 3.],

        [2., 2., 2.],

        [3., 2., 3.]])

1.4.4. 自动赋值运算¶

自增运算:

In [36]:

tensor

Out[36]:

tensor([[1., 1., 1., 0.],

        [1., 0., 1., 0.],

        [1., 1., 1., 0.]])

In [37]:

tensor.add_(5)

Out[37]:

tensor([[6., 6., 6., 5.],

        [6., 5., 6., 5.],

        [6., 6., 6., 5.]])

In [38]:

tensor

Out[38]:

tensor([[6., 6., 6., 5.],

        [6., 5., 6., 5.],

        [6., 6., 6., 5.]])

复制运算：

In [39]:

tensor.copy_(tensor1)

Out[39]:

tensor([[1., 1., 1., 1.],

        [1., 1., 1., 1.],

        [1., 1., 1., 1.]])

In [40]:

tensor

Out[40]:

tensor([[1., 1., 1., 1.],

        [1., 1., 1., 1.],

        [1., 1., 1., 1.]])

注意:自动赋值运算可以节省内存，但是会导致一些中间过程的问题

1.5. Tensor与Numpy的转换¶

1.5.1. Tensor转换为Numpy¶

In [41]:

tensor

Out[41]:

tensor([[1., 1., 1., 1.],

        [1., 1., 1., 1.],

        [1., 1., 1., 1.]])

In [42]:

np_t = tensor.numpy()

In [43]:

np_t

Out[43]:

array([[1., 1., 1., 1.],

       [1., 1., 1., 1.],

       [1., 1., 1., 1.]], dtype=float32)

In [44]:

tensor.add_(5)

Out[44]:

tensor([[6., 6., 6., 6.],

        [6., 6., 6., 6.],

        [6., 6., 6., 6.]])

In [45]:

np_t

Out[45]:

array([[6., 6., 6., 6.],

       [6., 6., 6., 6.],

       [6., 6., 6., 6.]], dtype=float32)

可见：Tensor和Numpy共用内存，一个改变时另一个也改变

1.5.2. Numpy转Tensor¶

In [46]:

np_t

Out[46]:

array([[6., 6., 6., 6.],

       [6., 6., 6., 6.],

       [6., 6., 6., 6.]], dtype=float32)

In [47]:

tensor

Out[47]:

tensor([[6., 6., 6., 6.],

        [6., 6., 6., 6.],

        [6., 6., 6., 6.]])

In [48]:

t_np = torch.from_numpy(np_t)

In [49]:

t_np

Out[49]:

tensor([[6., 6., 6., 6.],

        [6., 6., 6., 6.],

        [6., 6., 6., 6.]])

In [50]:

np.add(np_t, 1, out=np_t)

Out[50]:

array([[7., 7., 7., 7.],

       [7., 7., 7., 7.],

       [7., 7., 7., 7.]], dtype=float32)

In [51]:

t_np

Out[51]:

tensor([[7., 7., 7., 7.],

        [7., 7., 7., 7.],

        [7., 7., 7., 7.]])

In [52]:

np.add(np_t, 1)

Out[52]:

array([[8., 8., 8., 8.],

       [8., 8., 8., 8.],

       [8., 8., 8., 8.]], dtype=float32)

In [53]:

t_np

Out[53]:

tensor([[7., 7., 7., 7.],

        [7., 7., 7., 7.],

        [7., 7., 7., 7.]])

可见：np.add()指定out=时才会重新赋值

1.6. 参考资料：¶

pytorch中文教程

pytorch学习笔记一之张量的更多相关文章

[PyTorch 学习笔记] 1.3 张量操作与线性回归
本章代码:https://github.com/zhangxiann/PyTorch_Practice/blob/master/lesson1/linear_regression.py 张量的操作拼 ...
[PyTorch 学习笔记] 1.2 Tensor(张量)介绍
本章代码: https://github.com/zhangxiann/PyTorch_Practice/blob/master/lesson1/tensor_introduce1.py https: ...
Pytorch学习笔记（二）---- 神经网络搭建
记录如何用Pytorch搭建LeNet-5,大体步骤包括:网络的搭建->前向传播->定义Loss和Optimizer->训练 # -*- coding: utf-8 -*- # Al ...
Pytorch学习笔记（一）---- 基础语法
书上内容太多太杂,看完容易忘记,特此记录方便日后查看,所有基础语法以代码形式呈现,代码和注释均来源与书本和案例的整理. # -*- coding: utf-8 -*- # All codes and ...
【pytorch】pytorch学习笔记（一）
原文地址:https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html 什么是pytorch? pytorch是一个基于p ...
[PyTorch 学习笔记] 1.4 计算图与动态图机制
本章代码:https://github.com/zhangxiann/PyTorch_Practice/blob/master/lesson1/computational_graph.py 计算图深 ...
[PyTorch 学习笔记] 2.2 图片预处理 transforms 模块机制
PyTorch 的数据增强我们在安装PyTorch时,还安装了torchvision,这是一个计算机视觉工具包.有 3 个主要的模块: torchvision.transforms: 里面包括常用的 ...
[PyTorch 学习笔记] 4.3 优化器
本章代码: https://github.com/zhangxiann/PyTorch_Practice/blob/master/lesson4/optimizer_methods.py https: ...
【深度学习】Pytorch 学习笔记
目录 Pytorch Leture 05: Linear Rregression in the Pytorch Way Logistic Regression 逻辑回归 - 二分类 Lecture07 ...
Pytorch学习笔记（二）——Tensor
一.对Tensor的操作从接口的角度讲,对Tensor的操作可以分为两类: (1)torch.function (2)tensor.function 比如torch.sum(a, b)实际上和a.s ...

随机推荐

漫谈计算机网络：番外篇 ------网络安全相关知识——>公钥与私钥、防火墙与入侵检测
<漫谈计算机网络>上次已经完结啦,今天出一个番外篇! 2022-12-06 今天我们来聊一聊网络安全废话不多说直接进入正题网络安全问题概述计算机网络面临的安全性威胁两大类威胁:被动 ...
openpyxl写数据
import osimport openpyxlos.chdir(r'D:/openpyxl') wb = openpyxl.Workbook() sht = wb.create_sheet('dat ...
Qt的进程间通信,以服务器的形式，手把手教你VS上进行Qt的COM、ActivedQt Server的开发，比保姆还保姆（一）
Qt的进程间通信,以Active服务器的形式,手把手教你VS上进行Qt的COM.ActivedQt Server的开发,比保姆还保姆写在前面,文中的ID有部分对不上,因为我中途改了一下,我建议你在实 ...
组件封装----useImperativeHandle和ref
useImperativeHandle(ref, createHandle, [deps]) 作用: 减少暴露给父组件获取的DOM元素属性, 只暴露给父组件需要用到的DOM方法参数1: 父组件传递的 ...
Ubuntu：Docker启动与停止
安装完成Docker后,默认已经启动了docker服务,如需手动控制docker服务的启停,可执行如下命令启动docker sudo service docker start 停止docker su ...
有备无患！DBS高性价比方案助力富途证券备份上云
"某中心受病毒攻击,导致服务中断,线上业务被迫暂停" "某公司员工误操作删库,核心业务数据部分丢失,无法完全找回" "由于服务器断线,某医院信息系统瘫 ...
MS17-010漏洞复现（永恒之蓝）
0x01:温馨提示微软已于2017 年发布MS17-010补丁,修复了"永恒之蓝"攻击的系统漏洞,一定要及时更新Windows系统补丁. 本次只是简易的复现MS17-010,成 ...
[OpenCV实战]9 使用OpenCV寻找平面图形的质心
目录 1 名词解释 2 在OpenCV中查找Blob质心的步骤 3 图像多个blob下的质心获取 4 参考在中学,我们学习了几何的中各种平面图形.找到标准平面图形的中心(几何中心)比较容易,如圆形, ...
Spark详解(02) - Spark概述
Spark详解(02) - Spark概述什么是Spark Hadoop主要解决,海量数据的存储和海量数据的分析计算. Spark是一种基于内存的快速.通用.可扩展的大数据分析计算引擎. Hadoo ...
Java基础1-1-4—java基础语法（循环+随机数）
4.循环+随机数 4.1 循环语句-for循环循环特征:1.重复做某件事情 2.具有明确的开始和停止标志 for循环格式介绍 public static void main(String[] ar ...

pytorch学习笔记一之张量