PyTorch | （2）PyTorch 入门-张量

PyTorch | （1）初识PyTorch

PyTorch 是一个基于 Python 的科学计算包，主要定位两类人群：

NumPy 的替代品，可以利用 GPU 的性能进行计算。
深度学习研究平台拥有足够的灵活性和速度

Tensors (张量)

Tensor在PyTorch中负责存储基本数据，PyTorch针对Tensor也提供了相对丰富的函数和方法，所以PyTorch中的Tensor与NumPy的数组具有极高的相似性。Tensor是一种高层次架构，也不要明白什么是深度学习，什么是后向传播，如何对模型进行优化，什么是计算图等技术细节。更重要的是，在PyTorch中定义的Tensor数据类型可以在GPUs上进行运算，而且只需要对变量做一些简单的类型转换就能轻易实现。

Tensors 类似于 NumPy 的 ndarrays ，同时 Tensors 可以使用 GPU 进行计算。

from __future__ import print_function
import torch

构造一个5x3矩阵，不初始化。

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

输出:

tensor(1.00000e-04 *[[-0.0000,  0.0000,  1.5135],[ 0.0000,  0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000],[ 0.0000,  0.0000,  0.0000]])

构造一个随机初始化的矩阵：

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

输出:

tensor([[ 0.6291,  0.2581,  0.6414],[ 0.9739,  0.8243,  0.2276],[ 0.4184,  0.1815,  0.5131],[ 0.5533,  0.5440,  0.0718],[ 0.2908,  0.1850,  0.5297]])

构造一个矩阵全为 0，而且数据类型是 long.

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

输出:

tensor([[ 0,  0,  0],[ 0,  0,  0],[ 0,  0,  0],[ 0,  0,  0],[ 0,  0,  0]])

构造一个张量，直接使用数据：

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

输出:

tensor([ 5.5000,  3.0000])

创建一个 tensor 基于已经存在的 tensor。

x = x.new_ones(5, 3, dtype=torch.double)
# new_* methods take in sizes
print(x)x = torch.randn_like(x, dtype=torch.float)
# override dtype!
print(x)
# result has the same size

输出:

tensor([[ 1.,  1.,  1.],[ 1.,  1.,  1.],[ 1.,  1.,  1.],[ 1.,  1.,  1.],[ 1.,  1.,  1.]], dtype=torch.float64)
tensor([[-0.2183,  0.4477, -0.4053],[ 1.7353, -0.0048,  1.2177],[-1.1111,  1.0878,  0.9722],[-0.7771, -0.2174,  0.0412],[-2.1750,  1.3609, -0.3322]])

获取它的维度信息:

print(x.size())

输出:

torch.Size([5, 3])

注意

torch.Size 是一个元组，所以它支持左右的元组操作。

操作

在接下来的例子中，我们将会看到加法操作。

加法: 方式 1

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

输出：

tensor([[-0.1859,  1.3970,  0.5236],[ 2.3854,  0.0707,  2.1970],[-0.3587,  1.2359,  1.8951],[-0.1189, -0.1376,  0.4647],[-1.8968,  2.0164,  0.1092]])

加法: 方式2

print(torch.add(x, y))

输出：

tensor([[-0.1859,  1.3970,  0.5236],[ 2.3854,  0.0707,  2.1970],[-0.3587,  1.2359,  1.8951],[-0.1189, -0.1376,  0.4647],[-1.8968,  2.0164,  0.1092]])

加法: 提供一个输出 tensor 作为参数

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

输出：

tensor([[-0.1859,  1.3970,  0.5236],[ 2.3854,  0.0707,  2.1970],[-0.3587,  1.2359,  1.8951],[-0.1189, -0.1376,  0.4647],[-1.8968,  2.0164,  0.1092]])

加法: in-place

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

输出：

tensor([[-0.1859,  1.3970,  0.5236],[ 2.3854,  0.0707,  2.1970],[-0.3587,  1.2359,  1.8951],[-0.1189, -0.1376,  0.4647],[-1.8968,  2.0164,  0.1092]])

注意

任何使张量会发生变化的操作都有一个前缀 ‘’。例如：x.copy(y), x.t_(), 将会改变 x.

你可以使用标准的 NumPy 类似的索引操作

print(x[:, 1])

输出

tensor([ 0.4477, -0.0048,  1.0878, -0.2174,  1.3609])

改变大小：如果你想改变一个 tensor 的大小或者形状，你可以使用 torch.view:

x = torch.randn(4, 4)
y = x.view(16)
z = x.view(-1, 8)  # the size -1 is inferred from other dimensions
print(x.size(), y.size(), z.size())

输出

torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])

如果你有一个元素 tensor ，使用 .item() 来获得这个 value 。

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

tensor([ 0.9422])
0.9422121644020081

参考资料

1. http://pytorch123.com/SecondSection/what_is_pytorch/

2. https://zhuanlan.zhihu.com/p/36233589