注意
点击 此处 下载完整的示例代码
学习基础知识 || 快速入门 || 张量 || 数据集与数据加载器 || 变换 || 构建模型 || 自动微分 || 优化 || 保存与加载模型
张量¶
张量是一种特殊的数据结构,它与数组和矩阵非常相似。在 PyTorch 中,我们使用张量来编码模型的输入和输出,以及模型的参数。
张量类似于 NumPy 的 ndarrays,但张量可以在 GPU 或其他硬件加速器上运行。实际上,张量和 NumPy 数组通常可以共享相同的底层内存,从而无需复制数据(请参阅 与 NumPy 的桥接)。张量也针对自动微分进行了优化(我们将在后面的 自动微分 部分详细了解)。如果您熟悉 ndarrays,那么您将很快熟悉 Tensor API。如果不熟悉,请继续阅读!
import torch
import numpy as np
初始化张量¶
张量可以通过多种方式进行初始化。请查看以下示例
直接从数据创建
可以从数据直接创建张量。数据类型会自动推断。
data = [[1, 2],[3, 4]]
x_data = torch.tensor(data)
从 NumPy 数组创建
张量可以由 NumPy 数组创建(反之亦然 - 请参阅与 NumPy 的桥接)。
np_array = np.array(data)
x_np = torch.from_numpy(np_array)
从另一个张量
新张量保留参数张量的属性(形状、数据类型),除非显式覆盖。
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([[0.8823, 0.9150],
[0.3829, 0.9593]])
使用随机值或常数值
shape
是张量维度的元组。在下面的函数中,它确定输出张量的维度。
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([[0.3904, 0.6009, 0.2566],
[0.7936, 0.9408, 0.1332]])
Ones Tensor:
tensor([[1., 1., 1.],
[1., 1., 1.]])
Zeros Tensor:
tensor([[0., 0., 0.],
[0., 0., 0.]])
张量的属性¶
张量属性描述了它们的形状、数据类型以及它们存储的设备。
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
张量上的操作¶
100 多种张量操作,包括算术、线性代数、矩阵操作(转置、索引、切片)、采样等,都在此处进行了全面描述。
这些操作中的每一个都可以在 GPU 上运行(通常比在 CPU 上运行速度更快)。如果您使用的是 Colab,请通过转到“运行时”>“更改运行时类型”>“GPU”来分配 GPU。
默认情况下,张量是在 CPU 上创建的。我们需要使用 .to
方法(在检查 GPU 可用性后)显式地将张量移动到 GPU。请记住,跨设备复制大型张量在时间和内存方面可能代价高昂!
# We move our tensor to the GPU if available
if torch.cuda.is_available():
tensor = tensor.to("cuda")
尝试列表中的一些操作。如果您熟悉 NumPy API,您会发现 Tensor API 非常易于使用。
标准的类似 NumPy 的索引和切片
First row: tensor([1., 1., 1., 1.])
First column: tensor([1., 1., 1., 1.])
Last column: tensor([1., 1., 1., 1.])
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
**连接张量** 您可以使用 torch.cat
沿给定维度连接一系列张量。另请参阅 torch.stack,另一个与 torch.cat
略有不同的张量连接运算符。
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.]])
算术运算
# This computes the matrix multiplication between two tensors. y1, y2, y3 will have the same value
# ``tensor.T`` returns the transpose of a tensor
y1 = tensor @ tensor.T
y2 = tensor.matmul(tensor.T)
y3 = torch.rand_like(y1)
torch.matmul(tensor, tensor.T, out=y3)
# This computes the element-wise product. z1, z2, z3 will have the same value
z1 = tensor * tensor
z2 = tensor.mul(tensor)
z3 = torch.rand_like(tensor)
torch.mul(tensor, tensor, out=z3)
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
**单元素张量** 如果您有一个单元素张量,例如通过将张量的所有值聚合到一个值中,您可以使用 item()
将其转换为 Python 数值。
12.0 <class 'float'>
**就地操作** 将结果存储到操作数中的操作称为就地操作。它们由 _
后缀表示。例如:x.copy_(y)
、x.t_()
将更改 x
。
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.]])
注意
就地操作节省了一些内存,但在计算导数时可能会出现问题,因为历史会立即丢失。因此,不建议使用它们。
与 NumPy 的桥接¶
CPU 上的张量和 NumPy 数组可以共享其底层内存位置,更改一个将更改另一个。
张量到 NumPy 数组¶
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.]
张量的变化反映在 NumPy 数组中。
t: tensor([2., 2., 2., 2., 2.])
n: [2. 2. 2. 2. 2.]
NumPy 数组到张量¶
n = np.ones(5)
t = torch.from_numpy(n)
NumPy 数组的变化反映在张量中。
np.add(n, 1, out=n)
print(f"t: {t}")
print(f"n: {n}")
t: tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
n: [2. 2. 2. 2. 2.]
**脚本的总运行时间:**(0 分钟 0.022 秒)