PyTorch | （3）Tensor及其基本操作
【摘要】 PyTorch | （1）初识PyTorch
PyTorch | （2）PyTorch 入门-张量
PyTorch | （3）Tensor及其基本操作
Tensor attributes:
在tensor attributes中有三个类，分别为torch.dtype, torch.device, 和 torch.layout
其中， torch.dtype 是展示...
Tensor attributes:
在tensor attributes中有三个类，分别为torch.dtype, torch.device, 和 torch.layout
其中， torch.dtype 是展示 torch.Tensor 数据类型的类，pytorch 有八个不同的数据类型,下表是完整的 dtype 列表.
Torch.device 是表现 torch.Tensor被分配的设备类型的类，其中分为’cpu’ 和 ‘cuda’两种，如果设备序号没有显示则表示此 tensor 被分配到当前设备, 比如: 'cuda' 等同于 'cuda': X , X 为torch.cuda.current _device() 返回值
我们可以通过 tensor.device 来获取其属性，同时可以利用字符或字符+序号的方式来分配设备
通过字符串
torch.device('cuda:0')
运行结果：
device(type='cuda', index=0)
torch.device('cpu')
运行结果：
device(type='cpu')
torch.device('cuda') # 当前设备
运行结果：
device(type='cuda')
通过字符串和设备序号
torch.device('cuda', 0)
运行结果：
device(type='cuda', index=0)
torch.device('cpu', 0)
运行结果：
device(type='cpu', index=0)
此外，cpu 和 cuda 设备的转换使用 'to' 来实现：
-
device_cpu = torch.device("cuda") #声明cuda设备
-
device_cuda = torch.device('cuda') #设备cpu设备
-
data = torch.Tensor([1])
-
data.to(device_cpu) #将数据转为cpu格式
-
data.to(device_cuda) #将数据转为cuda格式
torch.layout 是表现 torch.Tensor 内存分布的类，目前只支持 torch.strided
创建tensor
torch.tensor(data, dtype=None, device=None,requires_grad=False)
data - 可以是list, tuple, numpy array, scalar或其他类型
dtype - 可以返回想要的tensor类型
device - 可以指定返回的设备
requires_grad - 可以指定是否进行记录图的操作，默认为False
需要注意的是，torch.tensor 总是会复制 data, 如果你想避免复制，可以使 torch.Tensor. detach()，如果是从 numpy 中获得数据，那么你可以用 torch.from_numpy(), 注from_numpy() 是共享内存的
torch.tensor([[0.1, 1.2], [2.2, 3.1], [4.9, 5.2]])
运行结果：
-
tensor([[ 0.1000, 1.2000],
-
[ 2.2000, 3.1000],
-
[ 4.9000, 5.2000]])
torch.tensor([0, 1]) # Type inference on data
运行结果：
tensor([ 0, 1])
-
torch.tensor([[0.11111, 0.222222, 0.3333333]],
-
dtype=torch.float64,
-
device=torch.device('cuda:0')) # creates a torch.cuda.DoubleTensor
运行结果：
tensor([[ 0.1111, 0.2222, 0.3333]], dtype=torch.float64, device='cuda:0')
torch.tensor(3.14159) # Create a scalar (zero-dimensional tensor)
运行结果：
tensor(3.1416)
torch.tensor([]) # Create an empty tensor (of size (0,))
运行结果：
tensor([])
torch.from_numpy(ndarry)
注：生成返回的tensor会和ndarry共享数据，任何对tensor的操作都会影响到ndarry,
反之亦然
-
>>> a = numpy.array([1, 2, 3])
-
>>> t = torch.from_numpy(a)
-
>>> t
-
tensor([ 1, 2, 3])
-
>>> t[0] = -1
-
>>> a
-
array([-1, 2, 3])
根据数值要求：
-
torch.zeros(*sizes, out=None, ..)# 返回大小为sizes的零矩阵
-
-
torch.zeros_like(input, ..) # 返回与input相同size的零矩阵
-
-
torch.ones(*sizes, out=None, ..) #f返回大小为sizes的单位矩阵
-
-
torch.ones_like(input, ..) #返回与input相同size的单位矩阵
-
-
torch.full(size, fill_value, …) #返回大小为sizes,单位值为fill_value的矩阵
-
-
torch.full_like(input, fill_value, …) 返回与input相同size，单位值为fill_value的矩阵
-
-
torch.arange(start=0, end, step=1, …) #返回从start到end, 单位步长为step的1-d tensor.
-
-
torch.linspace(start, end, steps=100, …) #返回从start到end, 间隔中的插值数目为steps的1-d tensor
-
-
torch.logspace(start, end, steps=100, …) #返回1-d tensor ，从10^start到10^end的steps个对数间隔
根据矩阵要求:
-
torch.eye(n, m=None, out=None,…) #返回2-D 的单位对角矩阵
-
-
torch.empty(*sizes, out=None, …) #返回被未初始化的数值填充，大小为sizes的tensor
-
-
torch.empty_like(input, …) # 返回与input相同size,并被未初始化的数值填充的tensor
-
torch.normal(mean, std, out=None)
-
-
torch.rand(*size, out=None, dtype=None, …) #返回[0,1]之间均匀分布的随机数值
-
-
torch.rand_like(input, dtype=None, …) #返回与input相同size的tensor, 填充均匀分布的随机数值
-
-
torch.randint(low=0, high, size,…) #返回均匀分布的[low,high]之间的整数随机值
-
-
torch.randint_like(input, low=0, high, dtype=None, …) #
-
-
torch.randn(*sizes, out=None, …) #返回大小为size,由均值为0，方差为1的正态分布的随机数值
-
-
torch.randn_like(input, dtype=None, …)
-
-
torch.randperm(n, out=None, dtype=torch.int64) # 返回0到n-1的数列的随机排列
-
张量的操作
索引： 支持numpy的常用索引和切片操作
加法：和numpy类似的广播原则
-
#索引操作
-
y = torch.rand(5,3)
-
y[1:, 2] #切片和索引
-
y[y>0.5] #花式索引
-
-
#加法操作(和numpy一样的广播原则)
-
result = x+y
-
reslut = torch.add(x, y)
-
y.add_(x) #直接对y的值进行修改,
-
（以_结尾的方法会直接在原地修改变量， 如x.copy_(y), x.t_()会修改x.）
-
-
result = torch.empty(5,3)
-
torch.add(x, y, out=result) #这里的result必须先定义
-
-
#对于一个元素的张量，可以直接通过x.item()拿到元素值
-
x = torch.ones(3,4)
-
y = torch.sum(x)
-
print(y.item(0)) #得到整数12.0
cuda Tensor: pytorch 支持Gpu操作，可以在Gpu上创建tensor，通过to()方法可以在cpu和Gpu上间转换tensor
-
if torch.cuda.is_available():
-
device = torch.device("cuda")
-
y = torch.ones_like(x, device=device) #直接在Gpu上创建tensor
-
x = x.to(device) #从cpu上转移到gpu
-
z = x+y
-
print(z.to("cpu", torch.double)) #转回到cpu，并改变数据类型
三角函数：
-
torch.abs(input, out=None)
-
torch.acos(input, out=None)
-
torch.asin(input, out=None)
-
torch.atan(input, out=None)
-
torch.atan2(input, inpu2, out=None)
-
torch.cos(input, out=None)
-
torch.cosh(input, out=None)
-
torch.sin(input, out=None)
-
torch.sinh(input, out=None)
-
torch.tan(input, out=None)
-
torch.tanh(input, out=None)
基本运算，加减乘除
-
Torch.add(input, value, out=None)
-
.add(input, value=1, other, out=None)
-
.addcdiv(tensor, value=1, tensor1, tensor2, out=None)
-
.addcmul(tensor, value=1, tensor1, tensor2, out=None)
-
torch.div(input, value, out=None)
-
.div(input, other, out=None)
-
torch.mul(input, value, out=None)
-
.mul(input, other, out=None)
对数运算：
-
torch.log(input, out=None) # y_i=log_e(x_i)
-
torch.log1p(input, out=None) #y_i=log_e(x_i+1)
-
torch.log2(input, out=None) #y_i=log_2(x_i)
-
torch.log10(input,out=None) #y_i=log_10(x_i)
幂函数：
torch.pow(input, exponent, out=None) # y_i=input^(exponent)
指数运算
-
torch.exp(tensor, out=None) #y_i=e^(x_i)
-
torch.expm1(tensor, out=None) #y_i=e^(x_i) -1
截断函数
-
torch.ceil(input, out=None) #返回向正方向取得最小整数
-
torch.floor(input, out=None) #返回向负方向取得最大整数
-
-
torch.round(input, out=None) #返回相邻最近的整数，四舍五入
-
-
torch.trunc(input, out=None) #返回整数部分数值
-
torch.frac(tensor, out=None) #返回小数部分数值
-
-
torch.fmod(input, divisor, out=None) #返回input/divisor的余数
-
torch.remainder(input, divisor, out=None) #同上
其他运算
-
torch.erf(tensor， out=None)
-
-
torch.erfinv(tensor, out=None)
-
-
torch.sigmoid(input, out=None)
-
-
torch.clamp(input, min, max out=None) #返回 input<min,则返回min, input>max,则返回max,其余返回input
-
-
torch.neg(input, out=None) #out_i=-1*(input)
-
-
torch.reciprocal(input, out=None) # out_i= 1/input_i
-
-
torch.sqrt(input, out=None) # out_i=sqrt(input_i)
-
torch.rsqrt(input, out=None) #out_i=1/(sqrt(input_i))
-
-
torch.sign(input, out=None) #out_i=sin(input_i) 大于0为1，小于0为-1
-
-
torch.lerp(start, end, weight, out=None)
-
torch.argmax(input, dim=None, keepdim=False) #返回最大值排序的索引值
-
torch.argmin(input, dim=None, keepdim=False) #返回最小值排序的索引值
-
-
torch.cumprod(input, dim, out=None) #y_i=x_1 * x_2 * x_3 *…* x_i
-
torch.cumsum(input, dim, out=None) #y_i=x_1 + x_2 + … + x_i
-
-
torch.dist(input, out, p=2) #返回input和out的p式距离
-
torch.mean() #返回平均值
-
torch.sum() #返回总和
-
torch.median(input) #返回中间值
-
torch.mode(input) #返回众数值
-
torch.unique(input, sorted=False) #返回1-D的唯一的tensor,每个数值返回一次.
-
>>> output = torch.unique(torch.tensor([1, 3, 2, 3], dtype=torch.long))
-
>>> output
-
tensor([ 2, 3, 1])
-
-
torch.std( #返回标准差)
-
torch.var() #返回方差
-
-
torch.norm(input, p=2) #返回p-norm的范式
-
torch.prod(input, dim, keepdim=False) #返回指定维度每一行的乘积
-
torch.eq(input, other, out=None) #按成员进行等式操作，相同返回1
-
torch.equal(tensor1, tensor2) #如果tensor1和tensor2有相同的size和elements，则为true
-
>>> torch.eq(torch.tensor([[1, 2], [3, 4]]), torch.tensor([[1, 1], [4, 4]]))
-
tensor([[ 1, 0],
-
[ 0, 1]], dtype=torch.uint8)
-
>>> torch.eq(torch.tensor([[1, 2], [3, 4]]), torch.tensor([[1, 1], [4, 4]]))
-
tensor([[ 1, 0],
-
[ 0, 1]], dtype=torch.uint8)
-
-
torch.ge(input, other, out=None) # input>= other
-
torch.gt(input, other, out=None) # input>other
-
torch.le(input, other, out=None) # input=<other
-
torch.lt(input, other, out=None) # input<other
-
torch.ne(input, other, out=None) # input != other 不等于
-
-
torch.max() # 返回最大值
-
torch.min() # 返回最小值
-
torch.isnan(tensor) #判断是否为’nan’
-
torch.sort(input, dim=None, descending=False, out=None) #对目标input进行排序
-
torch.topk(input, k, dim=None, largest=True, sorted=True, out=None) #沿着指定维度返回最大k个数值及其索引值
-
torch.kthvalue(input, k, dim=None, deepdim=False, out=None) #沿着指定维度返回最小k个数值及其索引值
-
torch.fft(input, signal_ndim, normalized=False)
-
torch.ifft(input, signal_ndim, normalized=False)
-
torch.rfft(input, signal_ndim, normalized=False, onesided=True)
-
torch.irfft(input, signal_ndim, normalized=False, onesided=True)
-
torch.stft(signa, frame_length, hop, …)
-
torch.cross(input, other, dim=-1, out=None) #叉乘(外积)
-
-
torch.dot(tensor1, tensor2) #返回tensor1和tensor2的点乘
-
-
torch.mm(mat1, mat2, out=None) #返回矩阵mat1和mat2的乘积
-
-
torch.eig(a, eigenvectors=False, out=None) #返回矩阵a的特征值/特征向量
-
-
torch.det(A) #返回矩阵A的行列式
-
-
torch.trace(input) #返回2-d 矩阵的迹(对对角元素求和)
-
-
torch.diag(input, diagonal=0, out=None) #
-
-
torch.histc(input, bins=100, min=0, max=0, out=None) #计算input的直方图
-
-
torch.tril(input, diagonal=0, out=None) #返回矩阵的下三角矩阵，其他为0
-
-
torch.triu(input, diagonal=0, out=None) #返回矩阵的上三角矩阵，其他为0
参考资料
1. https://zhuanlan.zhihu.com/p/36233589
2. https://www.cnblogs.com/silence-cho/p/11404817.html
文章来源: drugai.blog.csdn.net，作者：DrugAI，版权归原作者所有，如需转载，请联系作者。
原文链接：drugai.blog.csdn.net/article/details/104381077
【版权声明】本文为华为云社区用户转载文章，如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论（0）