标签：com 示例 out 原来 random span sam bfc 其他
Tensor 即张量，在 tf 中也有这个概念，tensor 是 pytorch 和 tf 非常重要的数据结构，可以理解为多维数组，它可以是一个数、一个向量、一个矩阵、多维数组；
Tensor 可以用 GPU 加速；
在 pytorch 中其用法类似于 numpy；
创建 Tensor，并查看尺寸
查看尺寸用 size 或者 shape
示例
import torch as t x = t.Tensor(2, 3) ### 构建 2x3 矩阵 print(t.ones_like(x)) print(t.full((2, 3), 5)) # tensor([[5., 5., 5.], # [5., 5., 5.]]) print(t.arange(5)) # tensor([0, 1, 2, 3, 4]) print(x.size()) # torch.Size([2, 3]) ### 查看尺寸 print(x.size()[0]) # 2 查看行数 print(x.size(0)) # 2 查看行数 print(t.Size([2, 3])) print(x.shape) # torch.Size([2, 3])
随机初始化
更多的随机抽样方法，参见链接：https://pytorch.org/docs/stable/torch.html#random-sampling
有很多操作，这里只介绍简单的，具体查看官网
m = t.Tensor(3, 5) print(m[:, 1]) # tensor([1.4226e-13, 5.6015e-02, 7.7782e+31]) ### 3 row
t.cat(seq, dim, out=None)：合并，dim 指定维度
dim 为 0 代表按第 0 维度拼接，确切的说是在第 0 维度上拼接，即在行上拼接，1相反
a = t.ones(1, 2) b = t.zeros(1, 2) c = t.cat((a, b), 0) print(c) # tensor([[1., 1.], # [0., 0.]])
t.chunk(tensor, chunks, dim)：分割，chunks 代表分割的块数，dim 代表分割的维度
dim 为 0 代表在第 0 个维度上进行分割，也就是横着切，1 相反
e = t.ones(3, 2) print(t.chunk(e, 2, 1)) # (tensor([[1.], # [1.], # [1.]]), tensor([[1.], # [1.], # [1.]])) print(t.chunk(e, 2, 0)) # (tensor([[1., 1.], # [1., 1.]]), tensor([[1., 1.]]))
分割还有一种方法 t.split(tensor, split_size_or_sections, dim)，具体自行尝试
t.reshape(input, shape) 和 tensor.view(shape) 都可以实现尺寸变换，前者是 tensor 类的一个方法，后者是 tensor 对象的方法，当然 前者也可以用走 tensor 对象的方法；
也就是说 reshape 大于 view；
注意，二者都不会改变原 tensor 的尺寸，除非把结果赋给一个新的对象；
import torch as t f = t.arange(10) ### 单纯调用 view print(f.view(2, 5)) ### view 设置了新的尺寸 # tensor([[0, 1, 2, 3, 4], # [5, 6, 7, 8, 9]]) print(f) # tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) ### 但是并没有改变 原来的 tensor # print(t.view(f, (2, 5))) ### view 不能这么用，它不是 torch 的方法 g = f.view(2, 5) ### 这样会生成新的 tensor ### reshape,也不会改变本身 print(f.reshape(2, 5)) # tensor([[0, 1, 2, 3, 4], # [5, 6, 7, 8, 9]]) print(f) # tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) print(t.reshape(f, (2, 5))) ### reshape 可以作为 torch 的方法 # tensor([[0, 1, 2, 3, 4], # [5, 6, 7, 8, 9]])
加法：有 3 种方式，+，add，add_
import torch as t y = t.rand(2, 3) ### 使用[0，1]均匀分布构建矩阵 z = t.ones(2, 3) ### 2x3 的全 1 矩阵 print(y + z) ### 加法1 t.add(y, z) ### 加法2 ### 加法的第三种写法 result = t.Tensor(2, 3) ### 预先分配空间 t.add(y, z, out=result) ### 指定加法结果的输出目标 print(result)
add_ 与 add 的区别在于，add 不会改变原来的 tensor，而 add_会改变原来的 tensor；
在 pytorch 中，方法后面加 _ 都会改变原来的对象，相当于 inplace 的作用
print(y) # tensor([[0.4083, 0.3017, 0.9511], # [0.4642, 0.5981, 0.1866]]) y.add(z) print(y) ### y 不变 # tensor([[0.4083, 0.3017, 0.9511], # [0.4642, 0.5981, 0.1866]]) y.add_(z) print(y) ### y 变了，相当于 inplace # tensor([[1.4083, 1.3017, 1.9511], # [1.4642, 1.5981, 1.1866]])
其他运算
t.mul(input, other, out=None)：乘法
t.div(input, other, out=None)：除法
t.pow(input, other, out=None)：指数
t.sqrt(input, out=None)：开方
t.round(input, out=None)：四舍五入到整数
t.abs(input, out=None)：绝对值
t.ceil(input, out=None)：向上取整
t.clamp(input, min, max, out=None)：把 input 规范在 min 到 max 之间，超出用 min 和 max 代替，可理解为削尖函数
t.argmax(input, dim=None, keepdim=False)：返回指定维度最大值的索引
t.sigmoid(input, out=None)
t.tanh(input, out=None)
操作如下
n = t.ones(2, 3) print(n.numpy()) ### Tensor 转 Numpy # [[1. 1. 1.] # [1. 1. 1.]] import numpy as np p = np.ones((2, 3)) q = t.from_numpy(p) ### Numpy 转 Tensor print(p) # tensor([[1., 1., 1.], # [1., 1., 1.]], dtype=torch.float64)
Tensor 与 Numpy 共享内存，使得他们之间的转换很快，而且几乎不会消耗资源；
共享内存意味着，一个变了，另一个也跟着变；
q.add_(n) ### q 被改变 print(q) ### # tensor([[2., 2., 2.], # [2., 2., 2.]], dtype=torch.float64) print(p) ### p 竟然也被改变了 # [[2. 2. 2.] # [2. 2. 2.]]
注意，GPU 的优势体现在大规模数据集和复杂运算上，把数据从内存转移到显存产生额外开销，导致小数据反而不占优势
print(t.cuda.is_available()) # False if t.cuda.is_available(): x = x.cuda() ### Tensor 通过 cuda 方法转换为 GPU 的 Tensor y = y.cuda() x + y
参考资料：
《深度学习框架PyTorch：入门与实践_陈云(著)》
https://www.jianshu.com/p/7dbfc7076e5a
标签：com 示例 out 原来 random span sam bfc 其他
原文地址：https://www.cnblogs.com/yanshw/p/12188478.html
