PyTorch | （2）PyTorch 入门-张量
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
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/104380885
- 点赞
- 收藏
- 关注作者
评论（0）