注意
单击 此处 下载完整的示例代码
简介 || 张量 || 自动微分 || 构建模型 || TensorBoard 支持 || 训练模型 || 理解模型
PyTorch 张量介绍¶
观看以下视频,或在 youtube 上观看。
张量是 PyTorch 中的核心数据抽象。此交互式笔记本提供了对 torch.Tensor
类的深入介绍。
首先,导入 PyTorch 模块。我们还将添加 Python 的数学模块以方便一些示例。
import torch
import math
创建张量¶
创建张量最简单的方法是使用 torch.empty()
调用
x = torch.empty(3, 4)
print(type(x))
print(x)
<class 'torch.Tensor'>
tensor([[3.5873e-43, 0.0000e+00, 0.0000e+00, 0.0000e+00],
[5.6656e-18, 0.0000e+00, 0.0000e+00, 0.0000e+00],
[0.0000e+00, 0.0000e+00, 0.0000e+00, 0.0000e+00]])
让我们分析一下我们刚才做了什么
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,有 3 行 4 列。
返回对象的类型为
torch.Tensor
,它是torch.FloatTensor
的别名;默认情况下,PyTorch 张量用 32 位浮点数填充。(有关数据类型的更多信息,请参见下文。)打印张量时,您可能会看到一些看起来随机的值。
torch.empty()
调用会为张量分配内存,但不会用任何值初始化它 - 因此您看到的是分配时内存中的任何内容。
关于张量及其维数以及术语的简短说明
您有时会看到一个称为向量的一维张量。
同样,二维张量通常被称为矩阵。
任何超过两个维度的都通常被称为张量。
通常,您需要用某个值初始化张量。常见的用例是全零、全一或随机值,torch
模块为所有这些提供了工厂方法
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]])
工厂方法的行为完全符合您的预期 - 我们有一个全为零的张量,另一个全为一的张量,还有一个包含 0 到 1 之间的随机值的张量。
随机张量和播种¶
说到随机张量,您注意到在它之前立即调用了torch.manual_seed()
吗?用随机值初始化张量(例如模型的学习权重)很常见,但在某些情况下(尤其是在研究环境中),您需要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。让我们仔细看看
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,因此在大多数情况下,依赖随机数的相同计算应该产生相同的结果。
有关更多信息,请参见PyTorch 关于可重复性的文档。
张量形状¶
通常,当您对两个或多个张量执行运算时,它们需要具有相同的形状 - 也就是说,具有相同的维数和每个维数中相同的单元数。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([[[9.5881e+15, 0.0000e+00, 2.1552e+06],
[0.0000e+00, 2.3484e-04, 0.0000e+00]],
[[0.0000e+00, 0.0000e+00, 0.0000e+00],
[0.0000e+00, 0.0000e+00, 0.0000e+00]]])
torch.Size([2, 2, 3])
tensor([[[2.0829e+06, 0.0000e+00, 1.8048e+31],
[4.5818e-41, 8.9683e-44, 0.0000e+00]],
[[1.1210e-43, 0.0000e+00, 5.6494e-18],
[0.0000e+00, 0.0000e+00, 0.0000e+00]]])
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]]])
上面代码单元中的第一个新内容是使用张量上的.shape
属性。此属性包含张量每个维度的范围列表 - 在我们的例子中,x
是一个三维张量,形状为 2 x 2 x 3。
在那之后,我们调用了.empty_like()
、.zeros_like()
、.ones_like()
和.rand_like()
方法。使用.shape
属性,我们可以验证每个方法都返回一个具有相同维数和范围的张量。
创建张量的最后一种方法是直接从 PyTorch 集合中指定其数据
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]])
如果您的数据已经存在于 Python 元组或列表中,则使用torch.tensor()
是创建张量的最直接方法。如上所示,嵌套集合将生成一个多维张量。
注意
torch.tensor()
会创建数据的副本。
张量数据类型¶
设置张量的数据类型可以通过两种方式实现
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,我们将dtype=torch.int16
设置为张量a
。当我们打印a
时,我们可以看到它充满了1
而不是1.
- Python 的一个微妙暗示,这表明这是一个整数类型而不是浮点数。
关于打印a
要注意的另一件事是,与我们将dtype
保留为默认值(32 位浮点数)的情况不同,打印张量还会指定其dtype
。
您可能还注意到,我们从将张量的形状指定为一系列整数参数变为将这些参数组合到一个元组中。这不是严格必要的 - PyTorch 会将一系列初始未标记的整数参数视为张量形状 - 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了一个随机浮点数张量b
。之后,我们使用.to()
方法将b
转换为 32 位整数,从而创建了c
。请注意,c
包含与b
相同的所有值,但已截断为整数。
有关更多信息,请参见数据类型文档。
使用 PyTorch 张量进行数学和逻辑运算¶
现在您已经了解了一些创建张量的方法... 您能用它们做什么呢?
让我们先看看基本算术,以及张量如何与简单的标量交互
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]])
如您在上面所见,张量和标量之间的算术运算(例如加法、减法、乘法、除法和求幂)会分布到张量的每个元素上。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操作符优先级规则将它们链接在一起,就像我们在创建threes
的那一行中所做的那样。
两个张量之间的类似运算也会按照您的直觉预期进行
tensor([[ 2., 4.],
[ 8., 16.]])
tensor([[5., 5.],
[5., 5.]])
tensor([[12., 12.],
[12., 12.]])
这里需要注意的是,之前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
下面的单元格会抛出一个运行时错误。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不同形状的张量进行运算,即使在像上面单元格这样的情况下,张量具有相同的元素数量。
简而言之:张量广播¶
注意
如果您熟悉 NumPy 数组中的广播语义,那么您会发现这里也适用相同的规则。
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]])
这里有什么诀窍?我们如何将一个 2x4 张量乘以一个 1x4 张量?
广播是一种对形状有相似之处的张量执行运算的方法。在上面的示例中,单行四列的张量乘以双行四列张量的两行。
这是深度学习中一项重要的运算。常见的例子是用一个学习权重张量乘以一个批次的输入张量,将该运算分别应用于批次中的每个实例,并返回一个形状相同的张量 - 就像我们上面的 (2, 4) * (1, 4) 示例返回了一个形状为 (2, 4) 的张量。
广播规则如下
每个张量必须至少有一个维度 - 不能有空张量。
比较两个张量的维数大小,从最后一个到第一个:
每个维度必须相等,或者
其中一个维度的尺寸必须为 1,或者
该维度在其中一个张量中不存在
当然,形状相同的张量可以轻松地“广播”,正如您之前所见。
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]]])
仔细观察上面每个张量的值
创建
b
的乘法运算在a
的每一“层”上广播。对于
c
,该运算在a
的每一层和每一行上广播 - 每个三元素列都是相同的。对于
d
,我们将它调换了顺序 - 现在每一行都是相同的,跨越所有层和列。
有关广播的更多信息,请参见PyTorch 关于此主题的文档。
以下是一些广播尝试失败的示例
注意
下面的单元格会抛出一个运行时错误。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
更多关于张量的数学运算¶
PyTorch 张量有 300 多种运算可以对其执行。
以下是一些主要运算类别中的少量示例
# 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]]))
这是一个运算的少量示例。有关更多详细信息和数学函数的完整清单,请查看文档。有关更多详细信息和线性代数运算的完整清单,请查看此文档。
就地更改张量¶
大多数张量的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更改张量 - 例如,如果您正在执行逐元素计算,并且可以丢弃中间值。为此,大多数数学函数都有一个附加下划线 (_
) 的版本,它会就地更改张量。
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,存在类似行为的函数
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()
)那样附加到torch
模块。如您从a.add_(b)
中所见,**调用张量是发生就地更改的张量**。
将计算结果放到现有的已分配张量中还有另一种选择。我们迄今为止看到的许多方法和函数,包括创建方法!都具有一个out
参数,允许您指定接收输出的张量。如果out
张量具有正确的形状和dtype
,这可以在没有新内存分配的情况下发生。
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
tensor([[ 1., 561.],
[ 1., 1.]])
但是,如果您想要一个单独的数据副本以进行操作呢?clone()
方法可以帮助您。
tensor([[True, True],
[True, True]])
tensor([[1., 1.],
[1., 1.]])
**使用``clone()``时需要注意重要的一点。**如果您的源张量启用了自动梯度,那么克隆也会启用。**这将在自动梯度视频中更深入地介绍,**但是,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()
方法中有多个计算路径,并且**原始张量和它的克隆**都对模型的输出有贡献,那么为了启用模型学习,您需要为这两个张量打开自动梯度。如果您的源张量启用了自动梯度(如果它是一组学习权重或源自涉及权重的计算,它通常会启用),那么您将获得想要的结果。
另一方面,如果您正在进行计算,其中**原始张量和它的克隆**都不需要跟踪梯度,那么只要源张量关闭了自动梯度,您就可以放心地进行计算。
还有第三种情况:假设您在模型的forward()
函数中执行计算,默认情况下所有内容都打开了梯度,但您希望在中途提取一些值以生成一些指标。在这种情况下,您**不**希望源张量的克隆副本跟踪梯度 - 关闭自动梯度的历史跟踪可以提高性能。为此,您可以对源张量使用.detach()
方法
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
,其中requires_grad=True
已启用。**我们还没有介绍这个可选参数,但在自动梯度单元中会介绍。**当我们打印
a
时,它会告诉我们requires_grad=True
属性 - 这意味着自动梯度和计算历史跟踪已启用。我们克隆了
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
的自动梯度设置,并添加到计算历史中。我们克隆了
a
到c
中,但我们先调用了detach()
。打印
c
,我们没有看到计算历史,也没有requires_grad=True
。
detach()
方法**将张量与其计算历史分离。**它表示:“将接下来的任何操作视为自动梯度已关闭一样执行。”它**不会**更改a
- 您可以在最后打印a
时看到,它保留了requires_grad=True
属性。
移至 GPU¶
PyTorch 的主要优势之一是在支持 CUDA 的 Nvidia GPU 上具有强大的加速功能。(“CUDA”代表Compute Unified Device Architecture,是 Nvidia 的并行计算平台。)到目前为止,我们所做的一切都在 CPU 上。如何转移到更快的硬件上?
首先,我们应该使用is_available()
方法检查 GPU 是否可用。
注意
如果您没有支持 CUDA 的 GPU 和已安装的 CUDA 驱动程序,本节中的可执行单元将不会执行任何与 GPU 相关的代码。
if torch.cuda.is_available():
print('We have a GPU!')
else:
print('Sorry, CPU only.')
We have a GPU!
一旦我们确定一个或多个 GPU 可用,我们需要将我们的数据放在 GPU 可以看到的地方。您的 CPU 在计算机的 RAM 中对数据进行计算。您的 GPU 具有专用的内存与其相连。无论何时您想要在设备上执行计算,您都必须将所有用于该计算的数据移动到该设备可以访问的内存中。(通俗地说,“将数据移动到 GPU 可以访问的内存中”缩写为“将数据移动到 GPU”)。
将数据移到目标设备有多种方法。您可以在创建时进行操作
if torch.cuda.is_available():
gpu_rand = torch.rand(2, 2, device='cuda')
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,新张量在 CPU 上创建,因此我们需要在使用可选的device
参数在 GPU 上创建张量时指定。您可以看到,当我们打印新张量时,PyTorch 会告诉我们它在哪个设备上(如果它不在 CPU 上)。
您可以使用torch.cuda.device_count()
查询 GPU 的数量。如果您有多个 GPU,您可以通过索引指定它们:device='cuda:0'
,device='cuda:1'
等。
作为一个编码实践,在所有地方使用字符串常量来指定我们的设备非常脆弱。在理想情况下,您的代码无论您是在 CPU 还是 GPU 硬件上运行,都能健壮地执行。您可以通过创建可以传递给张量的设备句柄来实现,而不是使用字符串
if torch.cuda.is_available():
my_device = torch.device('cuda')
else:
my_device = 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位于一个设备上,您可以使用to()
方法将其移动到另一个设备上。以下代码行在 CPU 上创建了一个张量,并将它移动到您在上一个单元中获取的任何设备句柄上。
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,**所有张量必须位于同一个设备上**。以下代码将抛出运行时错误,无论您是否拥有可用的 GPU 设备
x = torch.rand(2, 2)
y = torch.rand(2, 2, device='gpu')
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。
更改维数¶
您可能需要更改维数的一种情况是将单个输入实例传递给您的模型。PyTorch 模型通常期望输入的批次。
例如,假设您有一个在 3 x 226 x 226 图像上运行的模型 - 一个 226 像素的正方形,具有 3 个颜色通道。当您加载和转换它时,您将获得一个形状为(3, 226, 226)
的张量。但是,您的模型期望形状为(N, 3, 226, 226)
的输入,其中N
是批次中的图像数量。那么,如何创建一个包含一个图像的批次呢?
torch.Size([3, 226, 226])
torch.Size([1, 3, 226, 226])
unsqueeze()
方法添加一个大小为 1 的维。unsqueeze(0)
将它添加为新的第零维 - 现在您拥有一个包含一个图像的批次!
那么,什么是取消压缩?我们如何理解压缩呢?我们利用了这样一个事实:任何大小为 1 的维**不会**改变张量中的元素数量。
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。那么您将期望输出具有形状(N, 20)
,其中N
是输入批次中的实例数量。这意味着对于我们单个输入批次,我们将获得形状为(1, 20)
的输出。
如果您想对该输出进行一些非批次计算 - 只期望一个 20 元素向量,该怎么办?
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,我们的二维张量现在是一维的,如果您仔细观察上面单元的输出,您将看到打印a
会显示“额外”的一组方括号[]
,因为有一个额外的维。
您只能对大小为 1 的维进行squeeze()
操作。请查看上面,我们尝试在c
中压缩一个大小为 2 的维,并获得了与开始时相同的形状。对squeeze()
和unsqueeze()
的调用只能作用于大小为 1 的维,因为否则将改变张量中的元素数量。
您可能还会在广播方面使用unsqueeze()
。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)
它的净效果是在维度 0 和 2 上进行广播操作,导致随机的 3 x 1 张量与a
中每个 3 元素列进行元素级相乘。
如果随机向量只是一个 3 元素向量呢?我们将失去进行广播的能力,因为最终的维度将不符合广播规则。unsqueeze()
可以帮助我们
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()
方法也有就地版本,即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])
有时您可能需要更彻底地更改张量的形状,同时保留元素的数量及其内容。这种情况发生在模型卷积层与模型线性层之间的接口处,这在图像分类模型中很常见。卷积核将产生一个形状为特征 x 宽度 x 高度的输出张量,但后面的线性层需要一个一维输入。 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拥有的元素数量相同。
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
上面的单元格最后一行中的 (6 * 20 * 20,)
参数是因为 PyTorch 在指定张量形状时需要一个元组 - 但是当形状是方法的第一个参数时,它允许我们作弊并只使用一系列整数。这里,我们必须添加括号和逗号来让方法确信这实际上是一个单元素元组。
如果可以,reshape()
将返回要更改的张量的视图 - 也就是说,一个指向同一底层内存区域的不同张量对象。这很重要:这意味着对源张量所做的任何更改都会反映在该张量的视图中,除非您对其进行了 clone()
操作。
确实存在一些条件,超出了本介绍的范围,导致 reshape()
必须返回包含数据副本的张量。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,提到过 PyTorch 的广播语义与 NumPy 的兼容 - 但 PyTorch 和 NumPy 之间的亲缘关系比这更深厚。
如果您有现有的 ML 或科学代码,其中数据存储在 NumPy ndarrays 中,您可能希望将这些数据表示为 PyTorch 张量,无论是为了利用 PyTorch 的 GPU 加速,还是为了利用其用于构建 ML 模型的有效抽象。在 ndarrays 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 创建了一个形状相同且包含与 NumPy 数组相同数据的张量,甚至保留了 NumPy 的默认 64 位浮点数数据类型。
转换同样可以很容易地反向进行。
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,这些转换后的对象使用的是相同底层内存作为其源对象,这意味着对其中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 ]]
脚本的总运行时间: ( 0 分钟 0.126 秒)