PyTorch | (2)PyTorch 入门-张量

举报
DrugAI 发表于 2021/07/15 04:03:39 2021/07/15
【摘要】 PyTorch | (1)初识PyTorch 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 | (1)初识PyTorch

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。



  
  1. from __future__ import print_function
  2. import torch

构造一个5x3矩阵,不初始化。


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

输出:


  
  1. tensor(1.00000e-04 *
  2. [[-0.0000, 0.0000, 1.5135],
  3. [ 0.0000, 0.0000, 0.0000],
  4. [ 0.0000, 0.0000, 0.0000],
  5. [ 0.0000, 0.0000, 0.0000],
  6. [ 0.0000, 0.0000, 0.0000]])

构造一个随机初始化的矩阵:


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

输出:


  
  1. tensor([[ 0.6291, 0.2581, 0.6414],
  2. [ 0.9739, 0.8243, 0.2276],
  3. [ 0.4184, 0.1815, 0.5131],
  4. [ 0.5533, 0.5440, 0.0718],
  5. [ 0.2908, 0.1850, 0.5297]])

构造一个矩阵全为 0,而且数据类型是 long.


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

输出:


  
  1. tensor([[ 0, 0, 0],
  2. [ 0, 0, 0],
  3. [ 0, 0, 0],
  4. [ 0, 0, 0],
  5. [ 0, 0, 0]])

构造一个张量,直接使用数据:


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

输出:

tensor([ 5.5000,  3.0000])
 

创建一个 tensor 基于已经存在的 tensor。


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

输出:


  
  1. tensor([[ 1., 1., 1.],
  2. [ 1., 1., 1.],
  3. [ 1., 1., 1.],
  4. [ 1., 1., 1.],
  5. [ 1., 1., 1.]], dtype=torch.float64)
  6. tensor([[-0.2183, 0.4477, -0.4053],
  7. [ 1.7353, -0.0048, 1.2177],
  8. [-1.1111, 1.0878, 0.9722],
  9. [-0.7771, -0.2174, 0.0412],
  10. [-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


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

输出:


  
  1. tensor([[-0.1859, 1.3970, 0.5236],
  2. [ 2.3854, 0.0707, 2.1970],
  3. [-0.3587, 1.2359, 1.8951],
  4. [-0.1189, -0.1376, 0.4647],
  5. [-1.8968, 2.0164, 0.1092]])

加法: 方式2

print(torch.add(x, y))
 

输出:


  
  1. tensor([[-0.1859, 1.3970, 0.5236],
  2. [ 2.3854, 0.0707, 2.1970],
  3. [-0.3587, 1.2359, 1.8951],
  4. [-0.1189, -0.1376, 0.4647],
  5. [-1.8968, 2.0164, 0.1092]])

加法: 提供一个输出 tensor 作为参数


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

输出:


  
  1. tensor([[-0.1859, 1.3970, 0.5236],
  2. [ 2.3854, 0.0707, 2.1970],
  3. [-0.3587, 1.2359, 1.8951],
  4. [-0.1189, -0.1376, 0.4647],
  5. [-1.8968, 2.0164, 0.1092]])

加法: in-place


  
  1. # adds x to y
  2. y.add_(x)
  3. print(y)

输出:


  
  1. tensor([[-0.1859, 1.3970, 0.5236],
  2. [ 2.3854, 0.0707, 2.1970],
  3. [-0.3587, 1.2359, 1.8951],
  4. [-0.1189, -0.1376, 0.4647],
  5. [-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:


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


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

  
  1. tensor([ 0.9422])
  2. 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

【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

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。