咚咚

V1

2022/02/25阅读:41主题:默认主题

<pytorch系列1>:张量Tensor

微信公众号: 咚咚学AI

从今天开始更新Pytorch基础知识


Tensor是一种特殊的数据结构,与数组和矩阵非常相似。

在Pytorh中,我们使用Tensor对模型的输入和输出以及模型的参数进行编码。

Tensor与NumPy的Ndarray类似,只是张量可以在GPU或其他硬件加速器上运行。

初始化一个Tensor

Tensor多种方式初始化。

  1. 直接从数据初始化
import torch
import numpy as np

data = [[12],[34]]
x_data = torch.tensor(data)
  1. 从一个NumPy array初始化
np_array = np.array(data)
x_np = torch.from_numpy(np_array)
  1. 其他Tensor初始化
x_ones = torch.ones_like(x_data) # retains the properties of x_data
print(f"Ones Tensor: \n {x_ones} \n")

x_rand = torch.rand_like(x_data, dtype=torch.float) # overrides the datatype of x_data
print(f"Random Tensor: \n {x_rand} \n")

输出为

Ones Tensor:
 tensor([[11],
        [11]])

Random Tensor:
 tensor([[0.42230.1719],
        [0.31840.2631]])
  1. 使用形状shape来初始化
shape = (2,3,)
rand_tensor = torch.rand(shape)
ones_tensor = torch.ones(shape)
zeros_tensor = torch.zeros(shape)

print(f"Random Tensor: \n {rand_tensor} \n")
print(f"Ones Tensor: \n {ones_tensor} \n")
print(f"Zeros Tensor: \n {zeros_tensor}")

Tensor 的属性

Tensor属性描述它们的形状、数据类型和存储它们的设备

tensor = torch.rand(3,4)

print(f"Shape of tensor: {tensor.shape}")
print(f"Datatype of tensor: {tensor.dtype}")
print(f"Device tensor is stored on: {tensor.device}")

输出为

Shape of tensor: torch.Size([34])
Datatype of tensor: torch.float32
Device tensor is stored on: cpu

Tensor的操作

  1. 有100多种张量运算,包括算术、线性代数、矩阵操作(转置、索引、切片)、采样等。

  2. 每种操作都可以在GPU上运行(速度通常高于CPU)

  3. 默认在CPU上创建张量。需要显式地使用(.to)方法将张量移动到 GPU(在检查 GPU 的可用性之后)。请记住,跨设备复制大张量在时间和内存方面可能非常昂贵

# We move our tensor to the GPU if available
if torch.cuda.is_available():
  tensor = tensor.to('cuda')
  1. 标准numpy-like索引和切片:
tensor = torch.ones(44)
print('First row: ',tensor[0])
print('First column: ', tensor[:, 0])
print('Last column:', tensor[..., -1])
tensor[:,1] = 0
print(tensor)

输出为

First row:  tensor([1.1.1.1.])
First column:  tensor([1.1.1.1.])
Last column: tensor([1.1.1.1.])
tensor([[1.0.1.1.],
        [1.0.1.1.],
        [1.0.1.1.],
        [1.0.1.1.]])
  1. 连接张量

    可以使用 torch.cat 连接一个给定维度上的张量序列。另请参见 torch.stack,这是另一个与 torch.cat 略有不同的张量连接操作

t1 = torch.cat([tensor, tensor, tensor], dim=1)
print(t1)

输出为

tensor([[1.0.1.1.1.0.1.1.1.0.1.1.],
        [1.0.1.1.1.0.1.1.1.0.1.1.],
        [1.0.1.1.1.0.1.1.1.0.1.1.],
        [1.0.1.1.1.0.1.1.1.0.1.1.]])
  1. 算数运算
# This computes the matrix multiplication between two tensors. y1, y2, y3 will have the same value
y1 = tensor @ tensor.T
y2 = tensor.matmul(tensor.T)

y3 = torch.rand_like(tensor)
torch.matmul(tensor, tensor.T, out=y3)


# This computes the element-wise product. z1, z2, z3 will have the same value
z1 = tensor * tensor
z2 = tensor.mul(tensor)

z3 = torch.rand_like(tensor)
torch.mul(tensor, tensor, out=z3)
  1. 单元素张量(张量中只含有一个数值)

如果有一个单元素张量,例如,通过将张量的所有值聚合为一个值,可以使用item()将其转换为Python数值

agg = tensor.sum()
agg_item = agg.item()
print(agg_item, type(agg_item))

输出为

12.0 <class 'float'>
  1. in-place操作

    将结果存储到原始数据中的操作称为in-place操作。

    它们由一个 _后缀表示。例如:x.copy_(y),x.t_()将改变x。

print(tensor, "\n")
tensor.add_(5)
print(tensor)

输出为

tensor([[1.0.1.1.],
        [1.0.1.1.],
        [1.0.1.1.],
        [1.0.1.1.]])

tensor([[6.5.6.6.],
        [6.5.6.6.],
        [6.5.6.6.],
        [6.5.6.6.]])

in-place操作可以节省一些内存,但在计算衍生品时可能会出现问题,因为会立即丢失历史记录。因此,不鼓励使用它们

Tensor与Numpy的转换

CPU上的张量NumPy arrays可以共享它们的底层内存位置,改变一个会改变另一个

  1. Tensor to NumPy array
t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")

输出为

t: tensor([1.1.1.1.1.])
n: [1. 1. 1. 1. 1.]

张量的变化会导致NumPy array的改变

t.add_(1)
print(f"t: {t}")
print(f"n: {n}")

输出为

t: tensor([2.2.2.2.2.])
n: [2. 2. 2. 2. 2.]
  1. NumPy array to Tensor
n = np.ones(5)
t = torch.from_numpy(n)

同样的,NumPy array的变化会导致张量的改变

np.add(n, 1, out=n)
print(f"t: {t}")
print(f"n: {n}")

输出为

t: tensor([2.2.2.2.2.], dtype=torch.float64)
n: [2. 2. 2. 2. 2.]

分类:

人工智能

标签:

深度学习

作者介绍

咚咚
V1

哈尔滨工业大学-计算机视觉