目录
- 参考
- 笔记链接
- Tensor介绍
- 初始化张量的方法
- 数据直接转换
- numpy数组转换
- 其他张量转换
- 使用随机值或常量值
- 张量属性
- 张量操作
- 索引和切片
- 拼接
- 算术运算
- 单元素张量
- In-place操作
- tensor与numpy
- tensor转换为numpy array
- numpy array转换为tensor
参考
官方文档——张量Tensor 运行环境：google colab
Tensor介绍
张量是与数组和矩阵非常类似的数据结构。pytorch使用张量编码模型的input和output以及模型参数。Tensor与numpy的ndarray类似，区别是tensor可以运行在GPU环境中。
导入包
import torch
import numpy as np初始化张量的方法
数据直接转换
tensor会自动推断出数据的类型。
data = [[1, 2],[3, 4]]
x_data = torch.tensor(data)
x_data
numpy数组转换
np_array = np.array(data)
x_np = torch.from_numpy(np_array)
x_np
其他张量转换
除非明确覆盖，否则新的张量保留参数张量的属性（形状、数据类型）。
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")
使用随机值或常量值
举例说明：变量shape是tensor的维度元组。它决定了输出张量的维度。
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}")
张量属性
张量属性描述了它们的形状、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}")
张量操作
默认情况下，张量是在CPU上创建的。我们需要使用.to方法（在检查GPU可用性之后）显式地将张量移动到GPU。请记住，跨设备复制大规模的张量在时间和内存方面的开销可能很大！
# We move our tensor to the GPU if available
if torch.cuda.is_available():
tensor = tensor.to('cuda')
索引和切片
类似于numpy。
tensor = torch.ones(4, 4)
print('First row: ',tensor[0])
print('First column: ', tensor[:, 0])
print('Last column:', tensor[..., -1])
tensor[:,1] = 0
print(tensor)
拼接
torch.cat沿着给定的维度连接一系列张量。torch.stack与前者略有不同。
所有张量都需要相同的大小。
t1 = torch.cat([tensor, tensor, tensor], dim=1)
print(t1)
tensor是2维张量，这意味着给定的维度只能是0或1（按行或按列）。若dim=1，则三个tensor按列拼接，即字面意思的[tensor,tensor,tensor]。
算术运算
矩阵乘法的三种形式。
# 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)
矩阵中的元素逐一相乘。
# 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)
单元素张量
若有一个单元素张量，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))
In-place操作
将结果存储到操作数中的操作被称为In-place。它们由 _后缀表示。例如：x.copy_(y), x.t_()，会改变x。
注意：In-place节省了一些内存，但在计算微分时可能会出现问题，因为会立刻丢失历史记录。因此，不鼓励使用它们。
print(tensor, "\n")
tensor.add_(5)
print(tensor)
tensor与numpy
在pytorch中，tensor与numpy共享底层存储位置，改变一个就会改变另一个。
tensor转换为numpy array
t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")
倘若改变张量，我们会发现张量的变化反映在 NumPy 数组中。
t.add_(1)
print(f"t: {t}")
print(f"n: {n}")
numpy array转换为tensor
n = np.ones(5)
t = torch.from_numpy(n)同理，改变numpy，观察tensor的变化。
np.add(n, 1, out=n)
print(f"t: {t}")
print(f"n: {n}")
