『PyTorch』第二弹_张量

Tensor基础操作

简单的初始化

import torch as t

Tensor基础操作

# 构建张量空间，不初始化

x = t.Tensor(5,3)

x

-2.4365e-20 -1.4335e-03 -2.4290e+25

-1.0283e-13 -2.8296e-07 -2.0769e+22

-1.3816e-33 -6.4672e-32  1.4497e-32

 1.6020e-19  6.2625e+22  4.7428e+30

 4.0095e-08  1.1943e-32 -3.5308e+35

[torch.FloatTensor of size 5x3]

# 构建张量空间，[0,1]均匀分布初始化

x = t.rand(5,3)

x

 0.9618  0.0669  0.1458

 0.3154  0.0680  0.1883

 0.1795  0.4173  0.0395

 0.7673  0.4906  0.6148

 0.0949  0.2366  0.7571

[torch.FloatTensor of size 5x3

检查尺寸

# 查看矩阵形状，返回时tuple的子类，可以直接索引

print(x.shape)

print(x.size())

"""

torch.Size([5, 3])

torch.Size([5, 3])

"""

Tensor加法操作

• 符号加
• torch.add(out=Tensor)
• Tensor.add()，方法后面不带有下划线时方法不会修改Tensor本身，仅仅返回新的值
• Tensor.add_()，方法后面带有下划线时方法会修改Tensor本身，同时返回新的值

Tensor加法操作

# 加法操作：t.add()

y = t.rand(5,3)

print(x + y)

print(t.add(x, y))

result = t.Tensor(5,3)

t.add(x, y, out=result)

print(result)

输出，

 1.6288  0.4566  0.9290

 0.5943  0.4722  0.7359

 0.4316  1.0932  0.7476

 1.6499  1.3201  1.5611

 0.3274  0.4651  1.5257

[torch.FloatTensor of size 5x3]

 1.6288  0.4566  0.9290

 0.5943  0.4722  0.7359

 0.4316  1.0932  0.7476

 1.6499  1.3201  1.5611

 0.3274  0.4651  1.5257

[torch.FloatTensor of size 5x3]

 1.6288  0.4566  0.9290

 0.5943  0.4722  0.7359

 0.4316  1.0932  0.7476

 1.6499  1.3201  1.5611

 0.3274  0.4651  1.5257

[torch.FloatTensor of size 5x3]

输入：

# 加法操作：Tensor自带方法

print(y)

# 不改变y本身

print("y.add():\n", y.add(x))

print(y)

print("y.add_():\n", y.add_(x))

print(y)

输出，

Tensor索引以及和Numpy.array转换

Tensor对象和numpy的array对象高度相似，不仅可以相互转换，而且：

1. 转换前后的两者共享内存，所以他们之间的转换很快，而且几乎不会消耗资源，这意味着一个改变另一个也随之改变
2. 两者在调用时可以相互取代(应该是由于两者的内置方法高度相似)

虽然有Tensor.numpy()和t.from_numpy()，但是记不住的话使用np.array(Tensor)和t.Tensor(array)即可，同样可以共享内存。

Tensor索引

# Tensor索引和numpy的array类似

x[:, 1]

 0.0669

 0.0680

 0.4173

 0.4906

 0.2366

[torch.FloatTensor of size 5]

Tensor->array

Tensor和numpy转换

a = t.ones_like(x)

b = a.numpy()  # Tensor->array

b

array([[ 1.,  1.,  1.],

       [ 1.,  1.,  1.],

       [ 1.,  1.,  1.],

       [ 1.,  1.,  1.],

       [ 1.,  1.,  1.]], dtype=float32)

Tensor和array的交互

import numpy as np

print(x)

# Tensor和array的交互很强，一定程度上可以相互替代

a = np.ones_like(x)

print(a)

 0.9618  0.0669  0.1458

 0.3154  0.0680  0.1883

 0.1795  0.4173  0.0395

 0.7673  0.4906  0.6148

 0.0949  0.2366  0.7571

[torch.FloatTensor of size 5x3]

[[ 1.  1.  1.]

 [ 1.  1.  1.]

 [ 1.  1.  1.]

 [ 1.  1.  1.]

 [ 1.  1.  1.]]

array->Tensor(两者共享内存的验证)

b = t.from_numpy(a)  # array->Tensor

print(a)

print(b)

b.add_(1)  # 两者共享内存

print(a)

print(b)

[[ 1.  1.  1.]

 [ 1.  1.  1.]

 [ 1.  1.  1.]

 [ 1.  1.  1.]

 [ 1.  1.  1.]]

 1  1  1

 1  1  1

 1  1  1

 1  1  1

 1  1  1

[torch.FloatTensor of size 5x3]

[[ 2.  2.  2.]

 [ 2.  2.  2.]

 [ 2.  2.  2.]

 [ 2.  2.  2.]

 [ 2.  2.  2.]]

 2  2  2

 2  2  2

 2  2  2

 2  2  2

 2  2  2

[torch.FloatTensor of size 5x3]

试验np.array(Tensor)和t.Tensor(array)，

import numpy as np

x = t.rand(5,3)

# Tensor和array的交互很强，一定程度上可以相互替代

a = np.ones_like(x)

print(a)

b = t.Tensor(a)  # array->Tensor

print(a)

print(b)

b.add_(1)  # 两者共享内存

print(a)

print(b)

print(np.array(x))

[[ 1.  1.  1.]

 [ 1.  1.  1.]

 [ 1.  1.  1.]

 [ 1.  1.  1.]

 [ 1.  1.  1.]]

[[ 1.  1.  1.]

 [ 1.  1.  1.]

 [ 1.  1.  1.]

 [ 1.  1.  1.]

 [ 1.  1.  1.]]

 1  1  1

 1  1  1

 1  1  1

 1  1  1

 1  1  1

[torch.FloatTensor of size 5x3]

[[ 2.  2.  2.]

 [ 2.  2.  2.]

 [ 2.  2.  2.]

 [ 2.  2.  2.]

 [ 2.  2.  2.]]

 2  2  2

 2  2  2

 2  2  2

 2  2  2

 2  2  2

[torch.FloatTensor of size 5x3]

[[ 0.95334041  0.48346853  0.86516887]

 [ 0.0904668   0.05142063  0.42738861]

 [ 0.7112515   0.45674682  0.39708138]

 [ 0.06700033  0.90959501  0.4757393 ]

 [ 0.6760695   0.83767009  0.1341657 ]]

最后，实验以下cpu加速，当然，由于我的笔记本没有加速，所以条件是不满足的。

if t.cuda.is_available():

    x = x.cuda()

    y = y.cuda()

    x+y