简介 || 张量 || Autograd || 构建模型 || TensorBoard 支持 || 训练模型 || 模型理解

PyTorch 张量简介

创建于：2021 年 11 月 30 日 | 最后更新：2025 年 1 月 29 日 | 最后验证：2024 年 11 月 05 日

观看下方视频或在 youtube 上观看。

张量是 PyTorch 中的核心数据抽象。本交互式 Notebook 深入介绍了 torch.Tensor 类。

首先，让我们导入 PyTorch 模块。我们还将添加 Python 的 math 模块，以方便一些示例。

import torch
import math

创建张量

创建张量的最简单方法是使用 torch.empty() 调用

x = torch.empty(3, 4)
print(type(x))
print(x)

<class 'torch.Tensor'>
tensor([[ 3.6678e+14,  7.0065e-45,  1.4013e-45,  0.0000e+00],
        [-2.3594e+33,  3.0662e-41,  0.0000e+00,  0.0000e+00],
        [ 1.6356e+27,  3.0663e-41, -4.0164e+37,  4.5852e-41]])

让我们拆解一下我们刚刚做了什么

• 我们使用附加到 torch 模块的众多工厂方法之一创建了一个张量。

• 张量本身是二维的，具有 3 行和 4 列。

• 返回对象的类型是 torch.Tensor，它是 torch.FloatTensor 的别名；默认情况下，PyTorch 张量填充 32 位浮点数。（更多关于数据类型的信息见下文。）

• 在打印张量时，您可能会看到一些看起来随机的值。torch.empty() 调用为张量分配内存，但不会使用任何值初始化它 - 因此您看到的是分配时内存中的任何内容。

关于张量及其维度数量以及术语的简要说明

• 您有时会看到一维张量称为向量。

• 同样，二维张量通常称为矩阵。

• 任何超过二维的东西通常只称为张量。

通常，您会希望使用某个值初始化张量。常见的情况是全零、全一或随机值，torch 模块为所有这些情况提供了工厂方法

zeros = torch.zeros(2, 3)
print(zeros)

ones = torch.ones(2, 3)
print(ones)

torch.manual_seed(1729)
random = torch.rand(2, 3)
print(random)

tensor([[0., 0., 0.],
        [0., 0., 0.]])
tensor([[1., 1., 1.],
        [1., 1., 1.]])
tensor([[0.3126, 0.3791, 0.3087],
        [0.0736, 0.4216, 0.0691]])

这些工厂方法都如您所期望的那样工作 - 我们有一个充满零的张量，另一个充满一的张量，以及另一个包含 0 到 1 之间随机值的张量。

随机张量和种子

说到随机张量，您是否注意到紧随其后的 torch.manual_seed() 调用？使用随机值初始化张量（例如模型的学习权重）很常见，但在某些时候 - 尤其是在研究环境中 - 您会希望确保结果的可重复性。手动设置随机数生成器的种子是实现此目的的方法。让我们更仔细地看看

torch.manual_seed(1729)
random1 = torch.rand(2, 3)
print(random1)

random2 = torch.rand(2, 3)
print(random2)

torch.manual_seed(1729)
random3 = torch.rand(2, 3)
print(random3)

random4 = torch.rand(2, 3)
print(random4)

tensor([[0.3126, 0.3791, 0.3087],
        [0.0736, 0.4216, 0.0691]])
tensor([[0.2332, 0.4047, 0.2162],
        [0.9927, 0.4128, 0.5938]])
tensor([[0.3126, 0.3791, 0.3087],
        [0.0736, 0.4216, 0.0691]])
tensor([[0.2332, 0.4047, 0.2162],
        [0.9927, 0.4128, 0.5938]])

您应该在上面看到的是，random1 和 random3 具有相同的值，random2 和 random4 也是如此。手动设置 RNG 的种子会重置它，因此依赖随机数的相同计算在大多数情况下应提供相同的结果。

有关更多信息，请参阅关于可重复性的 PyTorch 文档。

张量形状

通常，当您对两个或多个张量执行操作时，它们需要具有相同的形状 - 即具有相同的维度数和每个维度中相同数量的单元格。为此，我们有 torch.*_like() 方法

x = torch.empty(2, 2, 3)
print(x.shape)
print(x)

empty_like_x = torch.empty_like(x)
print(empty_like_x.shape)
print(empty_like_x)

zeros_like_x = torch.zeros_like(x)
print(zeros_like_x.shape)
print(zeros_like_x)

ones_like_x = torch.ones_like(x)
print(ones_like_x.shape)
print(ones_like_x)

rand_like_x = torch.rand_like(x)
print(rand_like_x.shape)
print(rand_like_x)

torch.Size([2, 2, 3])
tensor([[[ 8.5991e+21,  3.0663e-41,  1.6365e+27],
         [ 3.0663e-41, -2.3594e+33,  3.0662e-41]],

        [[ 0.0000e+00,  0.0000e+00,  9.6631e-07],
         [ 3.0663e-41, -4.0164e+37,  4.5852e-41]]])
torch.Size([2, 2, 3])
tensor([[[1.1145e-29, 4.5853e-41, 4.8662e-06],
         [3.0663e-41, 4.4842e-44, 0.0000e+00]],

        [[1.5695e-43, 0.0000e+00, 3.4321e-03],
         [3.0670e-41, 0.0000e+00, 1.4013e-45]]])
torch.Size([2, 2, 3])
tensor([[[0., 0., 0.],
         [0., 0., 0.]],

        [[0., 0., 0.],
         [0., 0., 0.]]])
torch.Size([2, 2, 3])
tensor([[[1., 1., 1.],
         [1., 1., 1.]],

        [[1., 1., 1.],
         [1., 1., 1.]]])
torch.Size([2, 2, 3])
tensor([[[0.6128, 0.1519, 0.0453],
         [0.5035, 0.9978, 0.3884]],

        [[0.6929, 0.1703, 0.1384],
         [0.4759, 0.7481, 0.0361]]])

上面代码单元格中的第一个新事物是张量上 .shape 属性的使用。此属性包含张量每个维度范围的列表 - 在我们的例子中，x 是一个三维张量，形状为 2 x 2 x 3。

在下面，我们调用 .empty_like()、.zeros_like()、.ones_like() 和 .rand_like() 方法。使用 .shape 属性，我们可以验证这些方法中的每一种都返回具有相同维度和范围的张量。

创建张量的最后一种方法是从 PyTorch 集合直接指定其数据

some_constants = torch.tensor([[3.1415926, 2.71828], [1.61803, 0.0072897]])
print(some_constants)

some_integers = torch.tensor((2, 3, 5, 7, 11, 13, 17, 19))
print(some_integers)

more_integers = torch.tensor(((2, 4, 6), [3, 6, 9]))
print(more_integers)

tensor([[3.1416, 2.7183],
        [1.6180, 0.0073]])
tensor([ 2,  3,  5,  7, 11, 13, 17, 19])
tensor([[2, 4, 6],
        [3, 6, 9]])

如果您已经拥有 Python 元组或列表中的数据，则使用 torch.tensor() 是创建张量的最直接方法。如上所示，嵌套集合将生成多维张量。

注意

torch.tensor() 创建数据的副本。

张量数据类型

可以通过几种方式设置张量的数据类型

a = torch.ones((2, 3), dtype=torch.int16)
print(a)

b = torch.rand((2, 3), dtype=torch.float64) * 20.
print(b)

c = b.to(torch.int32)
print(c)

tensor([[1, 1, 1],
        [1, 1, 1]], dtype=torch.int16)
tensor([[ 0.9956,  1.4148,  5.8364],
        [11.2406, 11.2083, 11.6692]], dtype=torch.float64)
tensor([[ 0,  1,  5],
        [11, 11, 11]], dtype=torch.int32)

设置张量底层数据类型的最简单方法是在创建时使用可选参数。在上面单元格的第一行中，我们为张量 a 设置了 dtype=torch.int16。当我们打印 a 时，我们可以看到它充满了 1 而不是 1. - 这是 Python 的细微提示，表明它是整数类型而不是浮点类型。

关于打印 a 的另一件事需要注意的是，与我们将 dtype 保留为默认值（32 位浮点数）时不同，打印张量还会指定其 dtype。

您可能还发现，我们从将张量的形状指定为一系列整数参数，到将这些参数分组在一个元组中。这不是绝对必要的 - PyTorch 会将一系列初始的、未标记的整数参数作为张量形状 - 但在添加可选参数时，它可以使您的意图更具可读性。

设置数据类型的另一种方法是使用 .to() 方法。在上面的单元格中，我们以通常的方式创建一个随机浮点张量 b。之后，我们通过使用 .to() 方法将 b 转换为 32 位整数来创建 c。请注意，c 包含与 b 相同的所有值，但被截断为整数。

有关更多信息，请参阅数据类型文档。

PyTorch 张量的数学和逻辑运算

现在您已经了解了一些创建张量的方法……您可以对它们做什么？

让我们首先看看基本算术，以及张量如何与简单标量交互

ones = torch.zeros(2, 2) + 1
twos = torch.ones(2, 2) * 2
threes = (torch.ones(2, 2) * 7 - 1) / 2
fours = twos ** 2
sqrt2s = twos ** 0.5

print(ones)
print(twos)
print(threes)
print(fours)
print(sqrt2s)

tensor([[1., 1.],
        [1., 1.]])
tensor([[2., 2.],
        [2., 2.]])
tensor([[3., 3.],
        [3., 3.]])
tensor([[4., 4.],
        [4., 4.]])
tensor([[1.4142, 1.4142],
        [1.4142, 1.4142]])

如您在上面看到的，张量和标量之间的算术运算（例如加法、减法、乘法、除法和指数运算）分布在张量的每个元素上。由于此类运算的输出将是一个张量，因此您可以根据通常的运算符优先级规则将它们链接在一起，就像我们在创建 threes 的行中所做的那样。

两个张量之间的类似运算也以您直观期望的方式运行

powers2 = twos ** torch.tensor([[1, 2], [3, 4]])
print(powers2)

fives = ones + fours
print(fives)

dozens = threes * fours
print(dozens)

tensor([[ 2.,  4.],
        [ 8., 16.]])
tensor([[5., 5.],
        [5., 5.]])
tensor([[12., 12.],
        [12., 12.]])

这里需要注意的是，前一个代码单元格中的所有张量都具有相同的形状。当我们尝试对形状不同的张量执行二元运算时会发生什么？

注意

以下单元格会抛出运行时错误。这是故意的。

a = torch.rand(2, 3)
b = torch.rand(3, 2)

print(a * b)

在一般情况下，您不能以这种方式对形状不同的张量进行运算，即使在像上面的单元格这样的情况下，张量具有相同数量的元素也是如此。

简述：张量广播

注意

如果您熟悉 NumPy ndarray 中的广播语义，您会发现相同的规则也适用于此处。

相同形状规则的例外是张量广播。 这是一个例子

rand = torch.rand(2, 4)
doubled = rand * (torch.ones(1, 4) * 2)

print(rand)
print(doubled)

tensor([[0.6146, 0.5999, 0.5013, 0.9397],
        [0.8656, 0.5207, 0.6865, 0.3614]])
tensor([[1.2291, 1.1998, 1.0026, 1.8793],
        [1.7312, 1.0413, 1.3730, 0.7228]])

这里的诀窍是什么？我们是如何将 2x4 张量乘以 1x4 张量的？

广播是一种在形状相似的张量之间执行操作的方法。在上面的示例中，单行四列张量乘以两行四列张量的两行。

这是深度学习中的一个重要操作。常见的示例是将学习权重的张量乘以一批输入张量，将操作分别应用于批次中的每个实例，并返回形状相同的张量 - 就像我们上面的 (2, 4) * (1, 4) 示例返回形状为 (2, 4) 的张量一样。

广播规则是

• 每个张量必须至少有一个维度 - 没有空张量。

• 比较两个张量的维度大小，从后到前：

  • 每个维度必须相等，或者

  • 其中一个维度的大小必须为 1，或者

  • 维度在其中一个张量中不存在

当然，形状相同的张量是微不足道的“可广播的”，正如您之前看到的那样。

以下是一些符合上述规则并允许广播的情况示例

a =     torch.ones(4, 3, 2)

b = a * torch.rand(   3, 2) # 3rd & 2nd dims identical to a, dim 1 absent
print(b)

c = a * torch.rand(   3, 1) # 3rd dim = 1, 2nd dim identical to a
print(c)

d = a * torch.rand(   1, 2) # 3rd dim identical to a, 2nd dim = 1
print(d)

tensor([[[0.6493, 0.2633],
         [0.4762, 0.0548],
         [0.2024, 0.5731]],

        [[0.6493, 0.2633],
         [0.4762, 0.0548],
         [0.2024, 0.5731]],

        [[0.6493, 0.2633],
         [0.4762, 0.0548],
         [0.2024, 0.5731]],

        [[0.6493, 0.2633],
         [0.4762, 0.0548],
         [0.2024, 0.5731]]])
tensor([[[0.7191, 0.7191],
         [0.4067, 0.4067],
         [0.7301, 0.7301]],

        [[0.7191, 0.7191],
         [0.4067, 0.4067],
         [0.7301, 0.7301]],

        [[0.7191, 0.7191],
         [0.4067, 0.4067],
         [0.7301, 0.7301]],

        [[0.7191, 0.7191],
         [0.4067, 0.4067],
         [0.7301, 0.7301]]])
tensor([[[0.6276, 0.7357],
         [0.6276, 0.7357],
         [0.6276, 0.7357]],

        [[0.6276, 0.7357],
         [0.6276, 0.7357],
         [0.6276, 0.7357]],

        [[0.6276, 0.7357],
         [0.6276, 0.7357],
         [0.6276, 0.7357]],

        [[0.6276, 0.7357],
         [0.6276, 0.7357],
         [0.6276, 0.7357]]])

仔细查看上面每个张量的值

• 创建 b 的乘法运算已广播到 a 的每个“层”。

• 对于 c，该操作已广播到 a 的每一层和每一行 - 每个 3 元素列都是相同的。

• 对于 d，我们将其切换了一下 - 现在每一行都是相同的，跨层和列。

有关广播的更多信息，请参阅关于此主题的 PyTorch 文档。

以下是一些广播尝试失败的示例

注意

以下单元格会抛出运行时错误。这是故意的。

a =     torch.ones(4, 3, 2)

b = a * torch.rand(4, 3)    # dimensions must match last-to-first

c = a * torch.rand(   2, 3) # both 3rd & 2nd dims different

d = a * torch.rand((0, ))   # can't broadcast with an empty tensor

更多张量数学运算

PyTorch 张量具有三百多个可以对其执行的操作。

以下是一些主要操作类别中的一小部分示例

# common functions
a = torch.rand(2, 4) * 2 - 1
print('Common functions:')
print(torch.abs(a))
print(torch.ceil(a))
print(torch.floor(a))
print(torch.clamp(a, -0.5, 0.5))

# trigonometric functions and their inverses
angles = torch.tensor([0, math.pi / 4, math.pi / 2, 3 * math.pi / 4])
sines = torch.sin(angles)
inverses = torch.asin(sines)
print('\nSine and arcsine:')
print(angles)
print(sines)
print(inverses)

# bitwise operations
print('\nBitwise XOR:')
b = torch.tensor([1, 5, 11])
c = torch.tensor([2, 7, 10])
print(torch.bitwise_xor(b, c))

# comparisons:
print('\nBroadcasted, element-wise equality comparison:')
d = torch.tensor([[1., 2.], [3., 4.]])
e = torch.ones(1, 2)  # many comparison ops support broadcasting!
print(torch.eq(d, e)) # returns a tensor of type bool

# reductions:
print('\nReduction ops:')
print(torch.max(d))        # returns a single-element tensor
print(torch.max(d).item()) # extracts the value from the returned tensor
print(torch.mean(d))       # average
print(torch.std(d))        # standard deviation
print(torch.prod(d))       # product of all numbers
print(torch.unique(torch.tensor([1, 2, 1, 2, 1, 2]))) # filter unique elements

# vector and linear algebra operations
v1 = torch.tensor([1., 0., 0.])         # x unit vector
v2 = torch.tensor([0., 1., 0.])         # y unit vector
m1 = torch.rand(2, 2)                   # random matrix
m2 = torch.tensor([[3., 0.], [0., 3.]]) # three times identity matrix

print('\nVectors & Matrices:')
print(torch.linalg.cross(v2, v1)) # negative of z unit vector (v1 x v2 == -v2 x v1)
print(m1)
m3 = torch.linalg.matmul(m1, m2)
print(m3)                  # 3 times m1
print(torch.linalg.svd(m3))       # singular value decomposition

Common functions:
tensor([[0.9238, 0.5724, 0.0791, 0.2629],
        [0.1986, 0.4439, 0.6434, 0.4776]])
tensor([[-0., -0., 1., -0.],
        [-0., 1., 1., -0.]])
tensor([[-1., -1.,  0., -1.],
        [-1.,  0.,  0., -1.]])
tensor([[-0.5000, -0.5000,  0.0791, -0.2629],
        [-0.1986,  0.4439,  0.5000, -0.4776]])

Sine and arcsine:
tensor([0.0000, 0.7854, 1.5708, 2.3562])
tensor([0.0000, 0.7071, 1.0000, 0.7071])
tensor([0.0000, 0.7854, 1.5708, 0.7854])

Bitwise XOR:
tensor([3, 2, 1])

Broadcasted, element-wise equality comparison:
tensor([[ True, False],
        [False, False]])

Reduction ops:
tensor(4.)
4.0
tensor(2.5000)
tensor(1.2910)
tensor(24.)
tensor([1, 2])

Vectors & Matrices:
tensor([ 0.,  0., -1.])
tensor([[0.7375, 0.8328],
        [0.8444, 0.2941]])
tensor([[2.2125, 2.4985],
        [2.5332, 0.8822]])
torch.return_types.linalg_svd(
U=tensor([[-0.7889, -0.6145],
        [-0.6145,  0.7889]]),
S=tensor([4.1498, 1.0548]),
Vh=tensor([[-0.7957, -0.6056],
        [ 0.6056, -0.7957]]))

这只是操作的一小部分示例。有关更多详细信息和完整的数学函数清单，请查看文档。有关更多详细信息和完整的线性代数运算清单，请查看此文档。

就地修改张量

张量上的大多数二元运算将返回第三个新张量。当我们说 c = a * b（其中 a 和 b 是张量）时，新张量 c 将占用与其他张量不同的内存区域。

但是，有时您可能希望就地修改张量 - 例如，如果您正在进行逐元素计算，您可以丢弃中间值。为此，大多数数学函数都有一个带有附加下划线 ( _ ) 的版本，它将就地修改张量。

例如

a = torch.tensor([0, math.pi / 4, math.pi / 2, 3 * math.pi / 4])
print('a:')
print(a)
print(torch.sin(a))   # this operation creates a new tensor in memory
print(a)              # a has not changed

b = torch.tensor([0, math.pi / 4, math.pi / 2, 3 * math.pi / 4])
print('\nb:')
print(b)
print(torch.sin_(b))  # note the underscore
print(b)              # b has changed

a:
tensor([0.0000, 0.7854, 1.5708, 2.3562])
tensor([0.0000, 0.7071, 1.0000, 0.7071])
tensor([0.0000, 0.7854, 1.5708, 2.3562])

b:
tensor([0.0000, 0.7854, 1.5708, 2.3562])
tensor([0.0000, 0.7071, 1.0000, 0.7071])
tensor([0.0000, 0.7071, 1.0000, 0.7071])

对于算术运算，有一些行为类似的函数

a = torch.ones(2, 2)
b = torch.rand(2, 2)

print('Before:')
print(a)
print(b)
print('\nAfter adding:')
print(a.add_(b))
print(a)
print(b)
print('\nAfter multiplying')
print(b.mul_(b))
print(b)

Before:
tensor([[1., 1.],
        [1., 1.]])
tensor([[0.3788, 0.4567],
        [0.0649, 0.6677]])

After adding:
tensor([[1.3788, 1.4567],
        [1.0649, 1.6677]])
tensor([[1.3788, 1.4567],
        [1.0649, 1.6677]])
tensor([[0.3788, 0.4567],
        [0.0649, 0.6677]])

After multiplying
tensor([[0.1435, 0.2086],
        [0.0042, 0.4459]])
tensor([[0.1435, 0.2086],
        [0.0042, 0.4459]])

请注意，这些就地算术函数是 torch.Tensor 对象的方法，而不是像许多其他函数（例如 torch.sin() ）一样附加到 torch 模块。正如您可以从 a.add_(b) 中看到的那样，调用张量是就地更改的张量。

还有另一种选择是将计算结果放置在现有的、已分配的张量中。我们到目前为止看到的许多方法和函数（包括创建方法！）都有一个 out 参数，可让您指定一个张量来接收输出。如果 out 张量具有正确的形状和 dtype，则可以在不分配新内存的情况下发生这种情况

a = torch.rand(2, 2)
b = torch.rand(2, 2)
c = torch.zeros(2, 2)
old_id = id(c)

print(c)
d = torch.matmul(a, b, out=c)
print(c)                # contents of c have changed

assert c is d           # test c & d are same object, not just containing equal values
assert id(c) == old_id  # make sure that our new c is the same object as the old one

torch.rand(2, 2, out=c) # works for creation too!
print(c)                # c has changed again
assert id(c) == old_id  # still the same object!

tensor([[0., 0.],
        [0., 0.]])
tensor([[0.3653, 0.8699],
        [0.2364, 0.3604]])
tensor([[0.0776, 0.4004],
        [0.9877, 0.0352]])

复制张量

与 Python 中的任何对象一样，将张量分配给变量会使变量成为张量的标签，而不会复制它。例如

a = torch.ones(2, 2)
b = a

a[0][1] = 561  # we change a...
print(b)       # ...and b is also altered

tensor([[  1., 561.],
        [  1.,   1.]])

但是，如果您想要一个单独的数据副本来处理怎么办？clone() 方法就是为您准备的

a = torch.ones(2, 2)
b = a.clone()

assert b is not a      # different objects in memory...
print(torch.eq(a, b))  # ...but still with the same contents!

a[0][1] = 561          # a changes...
print(b)               # ...but b is still all ones

tensor([[True, True],
        [True, True]])
tensor([[1., 1.],
        [1., 1.]])

使用 ``clone()`` 时，有一件重要的事情需要注意。 如果您的源张量启用了 autograd，那么克隆也将启用 autograd。这将在关于 autograd 的视频中更深入地介绍， 但如果您想要了解详细信息的简化版本，请继续阅读。

在许多情况下，这将是您想要的。 例如，如果您的模型在其 forward() 方法中具有多个计算路径，并且原始张量及其克隆都对模型的输出做出贡献，那么为了启用模型学习，您希望为两个张量都启用 autograd。如果您的源张量启用了 autograd（如果它是一组学习权重或从涉及权重的计算中派生而来，通常会启用 autograd），那么您将获得您想要的结果。

另一方面，如果您正在进行的计算中原始张量及其克隆都不需要跟踪梯度，那么只要源张量关闭了 autograd，您就可以继续。

但还有第三种情况， 想象一下您正在模型的 forward() 函数中执行计算，默认情况下所有内容都启用了梯度，但您想提取一些中间值来生成一些指标。在这种情况下，您不希望源张量的克隆副本跟踪梯度 - 关闭 autograd 的历史跟踪可以提高性能。为此，您可以在源张量上使用 .detach() 方法

a = torch.rand(2, 2, requires_grad=True) # turn on autograd
print(a)

b = a.clone()
print(b)

c = a.detach().clone()
print(c)

print(a)

tensor([[0.0905, 0.4485],
        [0.8740, 0.2526]], requires_grad=True)
tensor([[0.0905, 0.4485],
        [0.8740, 0.2526]], grad_fn=<CloneBackward0>)
tensor([[0.0905, 0.4485],
        [0.8740, 0.2526]])
tensor([[0.0905, 0.4485],
        [0.8740, 0.2526]], requires_grad=True)

这里发生了什么？

• 我们创建了 a，并启用了 requires_grad=True。我们尚未介绍此可选参数，但在 autograd 单元中会介绍。

• 当我们打印 a 时，它会通知我们属性 requires_grad=True - 这意味着 autograd 和计算历史跟踪已启用。

• 我们克隆 a 并将其标记为 b。当我们打印 b 时，我们可以看到它正在跟踪其计算历史 - 它继承了 a 的 autograd 设置，并添加到了计算历史中。

• 我们将 a 克隆到 c 中，但我们首先调用 detach()。

• 打印 c，我们看不到计算历史，也没有 requires_grad=True。

detach() 方法将张量从其计算历史中分离出来。 它表示，“将接下来发生的事情视为 autograd 已关闭。” 它这样做不会更改 a - 您可以看到，当我们最后再次打印 a 时，它保留了其 requires_grad=True 属性。

移动到加速器

PyTorch 的主要优势之一是其在 加速器（例如 CUDA、MPS、MTIA 或 XPU）上的强大加速功能。到目前为止，我们所做的一切都是在 CPU 上完成的。我们如何转移到更快的硬件？

首先，我们应该使用 is_available() 方法检查加速器是否可用。

注意

如果您没有加速器，则本节中的可执行单元格将不会执行任何与加速器相关的代码。

if torch.accelerator.is_available():
    print('We have an accelerator!')
else:
    print('Sorry, CPU only.')

We have an accelerator!

一旦我们确定一个或多个加速器可用，我们需要将我们的数据放在加速器可以看到的地方。您的 CPU 在计算机的 RAM 中的数据上进行计算。您的加速器有附加到它的专用内存。每当您想要在设备上执行计算时，您都必须将所有该计算所需的数据移动到该设备可访问的内存中。（通俗地说，“将数据移动到 GPU 可访问的内存”简称为“将数据移动到 GPU”。）

有多种方法可以将您的数据放到目标设备上。您可以在创建时执行此操作

if torch.accelerator.is_available():
    gpu_rand = torch.rand(2, 2, device=torch.accelerator.current_accelerator())
    print(gpu_rand)
else:
    print('Sorry, CPU only.')

tensor([[0.3344, 0.2640],
        [0.2119, 0.0582]], device='cuda:0')

默认情况下，新张量是在 CPU 上创建的，因此我们必须使用可选的 device 参数指定何时要在加速器上创建张量。当我们打印新张量时，您可以看到 PyTorch 会告知我们它所在的设备（如果它不在 CPU 上）。

您可以使用 torch.accelerator.device_count() 查询加速器的数量。如果您有多个加速器，您可以按索引指定它们，以 CUDA 为例：device='cuda:0'、device='cuda:1' 等。

作为一种编码实践，到处使用字符串常量指定我们的设备非常脆弱。在理想的世界中，无论您是在 CPU 还是加速器硬件上，您的代码都将稳健地执行。您可以通过创建一个设备句柄来做到这一点，该句柄可以传递给您的张量而不是字符串

my_device = torch.accelerator.current_accelerator() if torch.accelerator.is_available() else torch.device('cpu')
print('Device: {}'.format(my_device))

x = torch.rand(2, 2, device=my_device)
print(x)

Device: cuda
tensor([[0.0024, 0.6778],
        [0.2441, 0.6812]], device='cuda:0')

如果您有一个现有的张量驻留在某个设备上，您可以使用 to() 方法将其移动到另一个设备。以下代码行在 CPU 上创建一个张量，并将其移动到您在上一个单元格中获得的任何设备句柄。

y = torch.rand(2, 2)
y = y.to(my_device)

重要的是要知道，为了执行涉及两个或多个张量的计算，所有张量都必须在同一设备上。以下代码将抛出运行时错误，无论您是否有可用的加速器设备，以 CUDA 为例

x = torch.rand(2, 2)
y = torch.rand(2, 2, device='cuda')
z = x + y  # exception will be thrown

操作张量形状

有时，您需要更改张量的形状。下面，我们将研究一些常见情况以及如何处理它们。

更改维度数

您可能需要更改维度数的一种情况是将输入的单个实例传递给您的模型。PyTorch 模型通常期望输入批次。

例如，假设您有一个模型可以处理 3 x 226 x 226 图像 - 一个 226 像素的正方形，带有 3 个颜色通道。当您加载和转换它时，您将获得形状为 (3, 226, 226) 的张量。但是，您的模型期望输入形状为 (N, 3, 226, 226)，其中 N 是批次中图像的数量。那么，您如何制作一批图像呢？

a = torch.rand(3, 226, 226)
b = a.unsqueeze(0)

print(a.shape)
print(b.shape)

torch.Size([3, 226, 226])
torch.Size([1, 3, 226, 226])

unsqueeze() 方法添加了一个范围为 1 的维度。unsqueeze(0) 将其作为新的第零个维度添加 - 现在您有了一批图像！

那么，如果那是取消维度压缩？维度压缩又是什么意思呢？我们利用了一个事实，即维度大小为 1 的任何维度不会改变张量中元素的数量。

c = torch.rand(1, 1, 1, 1, 1)
print(c)

tensor([[[[[0.2347]]]]])

继续上面的例子，假设模型的输出是每个输入的 20 元素向量。那么您会期望输出的形状为 (N, 20)，其中 N 是输入批次中的实例数。这意味着对于我们的单输入批次，我们将获得形状为 (1, 20) 的输出。

如果您想对该输出执行一些非批处理计算 - 期望的是一个 20 元素向量，该怎么办？

a = torch.rand(1, 20)
print(a.shape)
print(a)

b = a.squeeze(0)
print(b.shape)
print(b)

c = torch.rand(2, 2)
print(c.shape)

d = c.squeeze(0)
print(d.shape)

torch.Size([1, 20])
tensor([[0.1899, 0.4067, 0.1519, 0.1506, 0.9585, 0.7756, 0.8973, 0.4929, 0.2367,
         0.8194, 0.4509, 0.2690, 0.8381, 0.8207, 0.6818, 0.5057, 0.9335, 0.9769,
         0.2792, 0.3277]])
torch.Size([20])
tensor([0.1899, 0.4067, 0.1519, 0.1506, 0.9585, 0.7756, 0.8973, 0.4929, 0.2367,
        0.8194, 0.4509, 0.2690, 0.8381, 0.8207, 0.6818, 0.5057, 0.9335, 0.9769,
        0.2792, 0.3277])
torch.Size([2, 2])
torch.Size([2, 2])

您可以从形状中看到，我们的 2 维张量现在是 1 维的，如果您仔细查看上面单元格的输出，您会看到打印 a 显示了一组“额外”的方括号 []，这是由于具有额外的维度。

您可能只能 squeeze() 维度大小为 1 的维度。请参阅上面我们尝试压缩 c 中大小为 2 的维度，并返回与我们开始时相同的形状。调用 squeeze() 和 unsqueeze() 只能作用于维度大小为 1 的维度，因为否则会改变张量中元素的数量。

您可能使用 unsqueeze() 的另一个地方是为了简化广播。回想一下上面的例子，我们有以下代码

a = torch.ones(4, 3, 2)

c = a * torch.rand(   3, 1) # 3rd dim = 1, 2nd dim identical to a
print(c)

其最终效果是在维度 0 和 2 上广播该操作，导致随机的 3 x 1 张量与 a 中每个 3 元素列按元素相乘。

如果随机向量只是 3 元素向量呢？我们将失去进行广播的能力，因为最终维度将不符合广播规则。unsqueeze() 派上用场了

a = torch.ones(4, 3, 2)
b = torch.rand(   3)     # trying to multiply a * b will give a runtime error
c = b.unsqueeze(1)       # change to a 2-dimensional tensor, adding new dim at the end
print(c.shape)
print(a * c)             # broadcasting works again!

torch.Size([3, 1])
tensor([[[0.1891, 0.1891],
         [0.3952, 0.3952],
         [0.9176, 0.9176]],

        [[0.1891, 0.1891],
         [0.3952, 0.3952],
         [0.9176, 0.9176]],

        [[0.1891, 0.1891],
         [0.3952, 0.3952],
         [0.9176, 0.9176]],

        [[0.1891, 0.1891],
         [0.3952, 0.3952],
         [0.9176, 0.9176]]])

squeeze() 和 unsqueeze() 方法也具有原地版本，squeeze_() 和 unsqueeze_()

batch_me = torch.rand(3, 226, 226)
print(batch_me.shape)
batch_me.unsqueeze_(0)
print(batch_me.shape)

torch.Size([3, 226, 226])
torch.Size([1, 3, 226, 226])

有时您会希望更彻底地更改张量的形状，同时仍然保留元素的数量及其内容。发生这种情况的一种情况是在模型的卷积层和模型的线性层之间的接口处 - 这在图像分类模型中很常见。卷积核将产生形状为特征 x 宽度 x 高度的输出张量，但随后的线性层期望一维输入。reshape() 将为您执行此操作，前提是您请求的维度产生的元素数量与输入张量具有的元素数量相同

output3d = torch.rand(6, 20, 20)
print(output3d.shape)

input1d = output3d.reshape(6 * 20 * 20)
print(input1d.shape)

# can also call it as a method on the torch module:
print(torch.reshape(output3d, (6 * 20 * 20,)).shape)

torch.Size([6, 20, 20])
torch.Size([2400])
torch.Size([2400])

注意

上面单元格最后一行的 (6 * 20 * 20,) 参数是因为 PyTorch 在指定张量形状时期望一个元组 - 但是当形状是方法的第一个参数时，它允许我们“作弊”并仅使用一系列整数。在这里，我们必须添加括号和逗号，以使该方法确信这真的是一个单元素元组。

在可能的情况下，reshape() 将返回要更改的张量的视图 - 即，查看同一底层内存区域的单独张量对象。这很重要：这意味着对源张量所做的任何更改都将反映在该张量的视图中，除非您 clone() 它。

在超出本介绍范围的条件下，reshape() 必须返回一个携带数据副本的张量。有关更多信息，请参阅 文档。

NumPy 桥梁

在上面关于广播的部分中，提到 PyTorch 的广播语义与 NumPy 的语义兼容 - 但 PyTorch 和 NumPy 之间的联系甚至比这更深入。

如果您有现有的 ML 或科学代码，其数据存储在 NumPy ndarray 中，您可能希望将相同的数据表示为 PyTorch 张量，无论是为了利用 PyTorch 的 GPU 加速，还是其用于构建 ML 模型的有效抽象。在 ndarray 和 PyTorch 张量之间切换很容易

import numpy as np

numpy_array = np.ones((2, 3))
print(numpy_array)

pytorch_tensor = torch.from_numpy(numpy_array)
print(pytorch_tensor)

[[1. 1. 1.]
 [1. 1. 1.]]
tensor([[1., 1., 1.],
        [1., 1., 1.]], dtype=torch.float64)

PyTorch 创建一个与 NumPy 数组形状相同且包含相同数据的张量，甚至保留了 NumPy 的默认 64 位浮点数据类型。

转换也可以同样容易地反过来

pytorch_rand = torch.rand(2, 3)
print(pytorch_rand)

numpy_rand = pytorch_rand.numpy()
print(numpy_rand)

tensor([[0.8716, 0.2459, 0.3499],
        [0.2853, 0.9091, 0.5695]])
[[0.87163675 0.2458961  0.34993553]
 [0.2853077  0.90905803 0.5695162 ]]

重要的是要知道，这些转换后的对象正在使用与其源对象相同的底层内存，这意味着对一个对象的更改会反映在另一个对象中

numpy_array[1, 1] = 23
print(pytorch_tensor)

pytorch_rand[1, 1] = 17
print(numpy_rand)

tensor([[ 1.,  1.,  1.],
        [ 1., 23.,  1.]], dtype=torch.float64)
[[ 0.87163675  0.2458961   0.34993553]
 [ 0.2853077  17.          0.5695162 ]]