动手学深度学习pytorch第二版 pdf 动手学深度学 pytorch pdf

文章目录

• 前言
• 1 创建Tensor
• 2 操作

• 2.1 算术操作
• 2.2 索引
• 2.3 改变形状
• 2.4 线性代数

• 3 广播机制
• 4 运算的内存开销
• 5 Tensor和NumPy相互转换

• 5.1 Tensor转Numpy
• 5.2 Numpy数组转Tensor

• 6 Tensor on GPU

---

前言

Python初学者一枚，文章仅为个人学习记录，便于以后查看使用。

在PyTorch中，torch.Tensor是存储和变换数据的主要工具。
Tensor和NumPy的多维数组非常类似。Tensor提供GPU计算和自动求梯度等更多功能，使Tensor更加适合深度学习。

"tensor"这个单词一般可译作“张量”，张量可以看作是一个多维数组。
标量可以看作是0维张量，向量可以看作1维张量，矩阵可以看作是二维张量。

1 创建Tensor

首先导入PyTorch：

import torch

然后创建一个5x3的未初始化的Tensor：

x = torch.empty(5, 3)
print(x)

输出：

创建一个5x3的随机初始化的Tensor：

x = torch.rand(5, 3)
print(x)

输出：

创建一个5x3的long型全0的Tensor：

x = torch.zeros(5, 3, dtype=torch.long)
print(x)

输出：

还可以直接根据数据创建：

x = torch.tensor([5.5, 3])
print(x)

输出：

还可以通过现有的Tensor来创建，此方法会默认重用输入Tensor的一些属性，例如数据类型，除非自定义数据类型。

x = x.new_ones(5, 3, dtype=torch.float64)  # 返回的tensor默认具有相同的torch.dtype和torch.device
print(x)

x = torch.randn_like(x, dtype=torch.float) # 指定新的数据类型
print(x)

输出：

我们可以通过shape或者size()来获取Tensor的形状：

print(x.size())
print(x.shape)

输出：

注意：返回的torch.Size其实就是一个tuple（元组）, 支持所有tuple的操作。

还有很多函数可以创建Tensor：

这些创建方法都可以在创建的时候指定数据类型dtype和存放device（cpu / gpu）。

2 操作

2.1 算术操作

在PyTorch中，同一种操作可能有很多种形式，下面用加法作为例子。

加法形式一：

y = torch.rand(5, 3)
print(x + y)

加法形式二：

print(torch.add(x, y))

此外指定输出：

result = torch.empty(5, 3)
torch.add(x, y, out=result)
print(result)

加法形式三，inplace：

# adds x to y
y.add_(x)
print(y)

注意：PyTorch操作inplace版本都有后缀_。例如x.copy_(y)，x.t_()

以上几种形式的输出：

2.2 索引

我们还可以使用类似的NumPy的索引操作来访问Tensor的一部分。
需要注意：索引出来的结果与原数据共享内存，也即修改一个，另一个会跟着修改。

y = x[0, :]
y += 1
print(y)
print(x[0, :]) # 源tensor也被改了

输出：

除了常用的索引选择数据之外，PyTorch还提供了一些高级的选择函数：

2.3 改变形状

用view()来改变Tensor的形状：

y = x.view(15)
z = x.view(-1, 5) # -1所指的维度可以根据其他维度的值推出来
print(x.size(), y.size(), z.size())

输出：

注意：view()返回的新Tensor与源Tensor虽然可能有不同的size，但是是共享data的，也即更改其中的一个，另外一个也会跟着改变。(顾名思义，view仅仅是改变了对这个张量的观察角度，内部数据并未改变)

x += 1
print(x)
print(y) # 也加了1

输出：

如果我们想返回一个真正新的副本（即不共享data内存），Pytorch还提供了一个reshape()可以改变形状，但是此函数并不能保证返回的是其拷贝，所以不推荐使用。推荐先用clone创造一个副本然后再使用view。

x_cp = x.clone().view(15)
x -= 1
print(x)
print(x_cp)

输出：

使用clone还有一个好处是会被记录在计算图中，即梯度回传到副本时也会传到源Tensor。

另外一个常用的函数就是item(), 它可以将一个标量Tensor转换成一个Python number：

x = torch.randn(1)
print(x)
print(x.item())

输出：

2.4 线性代数

另外，PyTorch还支持一些线性函数：

PyTorch中的Tensor支持超过一百种操作，包括转置、索引、切片、数学运算、线性代数、随机数等等。

3 广播机制

前面我们看到如何对两个形状相同的Tensor做按元素运算。

当对两个形状不同的Tensor按元素运算时，可能会触发广播（broadcasting）机制：先适当复制元素使这两个Tensor形状相同后再按元素运算。

x = torch.arange(1, 3).view(1, 2)
print(x)
y = torch.arange(1, 4).view(3, 1)
print(y)
print(x + y)

输出：

要计算x + y，x中第一行的2个元素被广播（复制）到了第二行和第三行，而y中第一列的3个元素被广播（复制）到了第二列。

4 运算的内存开销

前面说了，索引操作是不会开辟新内存的，而像y = x + y这样的运算是会新开内存的，然后将y指向新内存。
为了演示这一点，我们可以使用Python自带的id函数：如果两个实例的ID一致，那么它们所对应的内存地址相同；反之则不同。

x = torch.tensor([1, 2])
y = torch.tensor([3, 4])
id_before = id(y)
y = y + x
print(id(y) == id_before)

输出：

如果想指定结果到原来的y的内存，可以使用前面介绍的索引来进行替换操作。
在下面的例子中，我们把x + y的结果通过[:]写进y对应的内存中。

x = torch.tensor([1, 2])
y = torch.tensor([3, 4])
id_before = id(y)
y[:] = y + x
print(id(y) == id_before)

输出：

我们还可以使用运算符全名函数中的out参数或者自加运算符+=(也即add_())达到上述效果。
例如torch.add(x, y, out=y)和y += x(y.add_(x))。

x = torch.tensor([1, 2])
y = torch.tensor([3, 4])
id_before = id(y)
torch.add(x, y, out=y) # y += x, y.add_(x)
print(id(y) == id_before)

输出：

注：虽然view返回的Tensor与源Tensor是共享data的，但是依然是一个新的Tensor（因为Tensor除了包含data外还有一些其他属性），二者id（内存地址）并不一致。

5 Tensor和NumPy相互转换

我们很容易用numpy()和from_numpy()将Tensor和NumPy中的数组相互转换。
但是需要注意的一点是： 这两个函数所产生的的Tensor和NumPy中的数组共享相同的内存（所以他们之间的转换很快），改变其中一个时另一个也会改变！！！

还有一个常用的将NumPy中的array转换成Tensor的方法就是torch.tensor()。
需要注意的是，此方法总是会进行数据拷贝（就会消耗更多的时间和空间），所以返回的Tensor和原来的数据不再共享内存。

5.1 Tensor转Numpy

使用numpy()将Tensor转换成NumPy数组：

a = torch.ones(5)
b = a.numpy()
print(a, b)

a += 1
print(a, b)
b += 1
print(a, b)

输出：

5.2 Numpy数组转Tensor

使用from_numpy()将NumPy数组转换成Tensor：

import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
print(a, b)

a += 1
print(a, b)
b += 1
print(a, b)

输出：

所有在CPU上的Tensor（除了CharTensor）都支持与NumPy数组相互转换。

直接用torch.tensor()将NumPy数组转换成Tensor，该方法总是会进行数据拷贝，返回的Tensor和原来的数据不再共享内存。

c = torch.tensor(a)
a += 1
print(a, c)

输出：

6 Tensor on GPU

用方法to()可以将Tensor在CPU和GPU（需要硬件支持）之间相互移动。

# 以下代码只有在PyTorch GPU版本上才会执行
if torch.cuda.is_available():
    device = torch.device("cuda")         # GPU
    y = torch.ones_like(x, device=device) # 直接创建一个在GPU上的Tensor
    x = x.to(device)                      # 等价于 .to(cuda)
    z = x + y
    print(z)
    print(z.to("cpu", torch.double))      # to()还可以同时更改数据类型