注意
点击 此处 下载完整示例代码
张量¶
张量是一种特殊的数据结构,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 ndarray,区别在于张量可以在 GPU 或其他专用硬件上运行以加速计算。如果您熟悉 ndarray,那么您会对张量 API 感到宾至如归。如果不是,请继续阅读本快速 API 演练。
import torch
import numpy as np
张量初始化¶
可以通过多种方式初始化张量。请看以下示例
直接从数据初始化
可以直接从数据创建张量。数据类型会自动推断。
data = [[1, 2], [3, 4]]
x_data = torch.tensor(data)
从 NumPy 数组初始化
可以从 NumPy 数组创建张量(反之亦然 - 请参阅 与 NumPy 的桥接)。
np_array = np.array(data)
x_np = torch.from_numpy(np_array)
从另一个张量初始化
除非显式覆盖,否则新张量将保留参数张量的属性(形状、数据类型)。
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]])
使用随机或常量值初始化
shape
是一个包含张量维度的元组。在下面的函数中,它决定了输出张量的维度。
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.]])
张量属性¶
张量属性描述了它们的形状、数据类型以及存储它们的设备。
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
张量操作¶
超过 100 种张量操作,包括转置、索引、切片、数学运算、线性代数、随机采样等,都在 此处 进行了全面描述。
它们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“编辑”>“笔记本设置”来分配 GPU。
# We move our tensor to the GPU if available
if torch.cuda.is_available():
tensor = tensor.to('cuda')
print(f"Device tensor is stored on: {tensor.device}")
Device tensor is stored on: cuda:0
尝试列表中的一些操作。如果您熟悉 NumPy API,您会发现 Tensor API 使用起来轻而易举。
标准的类 numpy 索引和切片
tensor = torch.ones(4, 4)
tensor[:,1] = 0
print(tensor)
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,这是另一个与 torch.cat
略有不同的张量连接操作。
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.]])
张量乘法
tensor.mul(tensor)
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
tensor * tensor
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
这将计算两个张量之间的矩阵乘法
tensor.matmul(tensor.T)
tensor([[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.]])
tensor @ tensor.T
tensor([[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.]])
原地操作 带有 _
后缀的操作是原地操作。例如:x.copy_(y)
、x.t_()
将会更改 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
原地操作可以节省一些内存,但在计算导数时可能会出现问题,因为会立即丢失历史记录。因此,不鼓励使用它们。
与 NumPy 的桥接¶
CPU 上的张量和 NumPy 数组可以共享它们的底层内存位置,更改其中一个会更改另一个。
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.]
张量的变化会反映在 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 数组中的变化会反映在张量中。
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.]
脚本总运行时间:(0 分钟 0.041 秒)