深度学习-Tensor
Tensor张量：
与numpy中的ndarray不同之处：tensor可以在GPU或其他专用硬件上运行，以加速计算。
一、Tensor初始化
1.直接从数据中创建
data = [[1, 2], [3, 4]]
x_data = torch.tensor(data)2.从numpy数组创建
np_array = np.array(data)
x_np = torch.from_numpy(np_array)3.从另一个Tensor创建
除非明确覆盖，否则新张量将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")Ones Tensor:
tensor([[1, 1],
[1, 1]])Random Tensor:
tensor([[0.2997, 0.5030],
[0.6381, 0.6880]])
4.使用随机或恒定值
shape 是张量维度的元组。在下面的函数中，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}")Random Tensor:
tensor([[0.3462, 0.5955, 0.5550],
[0.3936, 0.7214, 0.0617]])Ones Tensor:
tensor([[1., 1., 1.],
[1., 1., 1.]])Zeros Tensor:
tensor([[0., 0., 0.],
[0., 0., 0.]])
Tensor的属性
Tensor属性包括形状、数据类型以及存储他们的设备
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}")Shape of tensor: torch.Size([3, 4])
Datatype of tensor: torch.float32
Device tensor is stored on: cpu
二、Tensor的运算
1.标准的类似numpy的索引和切片
tensor = torch.ones(4, 4)
tensor[:,1] = 0#将第二列全部替换为0
print(tensor)tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
2.连接张量
可以使用 torch.cat 沿给定维度连接一系列张量
t1 = torch.cat([tensor, tensor, tensor], dim=1)
#dim=0表示行拼接，dim=1表示列拼接
print(t1)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.]])
3.Tensor相乘
使用.mul函数或者*来完成Tensor本身相乘
# This computes the element-wise product
print(f"tensor.mul(tensor) \n {tensor.mul(tensor)} \n")
#.mul用于执行逐元素相乘，我的理解是每个元素自己进行平方操作。
# Alternative syntax:
print(f"tensor * tensor \n {tensor * tensor}")tensor.mul(tensor)
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])tensor * tensor
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
4.两个Tensor之间的乘法
使用.matmul或@来完成Tensor之间相乘。
print(f"tensor.matmul(tensor.T) \n {tensor.matmul(tensor.T)} \n")
# Alternative syntax:
print(f"tensor @ tensor.T \n {tensor @ tensor.T}")tensor.matmul(tensor.T)
tensor([[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.]])tensor @ tensor.T
tensor([[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.]])
5.就地操作
带有 _ 后缀的操作是就地操作。例如： x.copy_(y) 、 x.t_() 会改变 x 值。
print(tensor, "\n")
tensor.add_(5)
print(tensor)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.]])
三、Tensor与numpy桥接
CPU 上的张量和 NumPy 数组可以共享其底层内存位置，更改其中一个也会更改另一个。
Tensor到numpy
t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")t: tensor([1., 1., 1., 1., 1.])
n: [1. 1. 1. 1. 1.]
Tensor的变化反映在numpy中
t.add_(1)
print(f"t: {t}")
print(f"n: {n}")t: tensor([2., 2., 2., 2., 2.])
n: [2. 2. 2. 2. 2.]
numpy到Tensor
n = np.ones(5)
t = torch.from_numpy(n)
np.add(n, 1, out=n)
#out=n表示覆盖数据，不会产生一个新的数组
print(f"t: {t}")
print(f"n: {n}")t: tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
n: [2. 2. 2. 2. 2.]