pytorch学习笔记（二）快速入门之张量Tensors

张量（Tensors）

Tnesors与Numpy中的ndarrays类似，但pytorch中Tensors可以使用GPU进行计算。

from __future__ import print_function
import torch

from __future__ import print_function 用法

这是为了在老版本的Python中兼顾新特性的一种方法。

从python2.1开始以后, 当一个新的语言特性首次出现在发行版中时候, 如果该新特性与以前旧版本python不兼容, 则该特性将会被默认禁用. 如果想启用这个新特性, 则必须使用 "from __future__import *" 语句进行导入.

创建未初始化矩阵

pytorch学习笔记（二）快速入门之张量Tensors

创建随机初始化矩阵

pytorch学习笔记（二）快速入门之张量Tensors

创建数据类型为long 0 填充的矩阵

pytorch学习笔记（二）快速入门之张量Tensors

创建tensor并使用现有数据初始化

pytorch学习笔记（二）快速入门之张量Tensors

注意：x = torch.tensor([5.5, 3])的“[ ]”

根据现有张量创建张量。


x = x.new_ones(5, 3, dtype=torch.double)      # new_* 方法来创建对象
print(x)

x = torch.randn_like(x, dtype=torch.float)    # 覆盖 dtype!
print(x)                                      #  对象的size 是相同的，只是值和类型发生了变化

获取张量size

pytorch学习笔记（二）快速入门之张量Tensors

注：使用size方法与Numpy的shape属性返回的相同，张量也支持shape属性

``torch.Size`` 返回值是 tuple类型, 所以它支持tuple类型的所有操作.

操作语法

pytorch学习笔记（二）快速入门之张量Tensors

提供输出tensor作为参数

pytorch学习笔记（二）快速入门之张量Tensors

替换

pytorch学习笔记（二）快速入门之张量Tensors

Note

任何以``_`` 结尾的操作都会用结果替换原变量. 例如: ``x.copy_(y)``, ``x.t_()``, 都会改变 ``x``.

与NumPy索引方式相同的操作来进行对张量的操作

pytorch学习笔记（二）快速入门之张量Tensors

torch.view与Numpy的reshape类似


x = torch.randn(4, 4)
y = x.view(16)
z = x.view(-1, 8)  #  size -1 从其他维度推断
print(x.size(), y.size(), z.size())

pytorch学习笔记（二）快速入门之张量Tensors

均匀分布

torch.rand(*sizes, out=None)

返回一个张量，包含了从区间[0, 1)的均匀分布中抽取的一组随机数。张量的形状由参数sizes定义。

参数:

sizes (int...) - 整数序列，定义了输出张量的形状

out (Tensor, optinal) - 结果张量

标准正态分布

torch.randn(*sizes, out=None) → Tensor

返回一个张量，包含了从标准正态分布（均值为0，方差为1，即高斯白噪声）中抽取的一组随机数。张量的形状由参数sizes定义。

参数:

sizes (int...) - 整数序列，定义了输出张量的形状

out (Tensor, optinal) - 结果张量

离散正态分布

torch.normal(means, std, out=None) → → Tensor

返回一个张量，包含了从指定均值means和标准差std的离散正态分布中抽取的一组随机数。

标准差std是一个张量，包含每个输出元素相关的正态分布标准差。

参数:

means (float, optional) - 均值

std (Tensor) - 标准差

out (Tensor) - 输出张量

线性间距向量

torch.linspace(start, end, steps=100, out=None) → Tensor

返回一个1维张量，包含在区间start和end上均匀间隔的step个点。

输出张量的长度由steps决定。

参数：

start (float) - 区间的起始点

end (float) - 区间的终点

steps (int) - 在start和end间生成的样本数

out (Tensor, optional) - 结果张量

如果你有只有一个元素的张量，使用.item()来得到Python数据类型的数值

pytorch学习笔记（二）快速入门之张量Tensors

Numpy转换

Torch自称为神经网络界的Numpy，它能将torch产生的tensor放在GPU中加速运算，就想Numpy会把array放在CPU中加速运算。所以在神经网络中，用Torch的tensor形式更优。

为减少用户的学习成本，Torch对Numpy实现了很好的兼容。可以用如下形式在numpy array和torch tensor之间自由转换。

pytorch学习笔记（二）快速入门之张量Tensors

所有的 Tensor 类型默认都是基于CPU， CharTensor 类型不支持到 NumPy 的转换.

pytorch学习笔记（二）快速入门之张量Tensors

CUDA张量


# is_available 函数判断是否有cuda可以使用
# ``torch.device``将张量移动到指定的设备中
if torch.cuda.is_available():
    device = torch.device("cuda")          # a CUDA 设备对象
    y = torch.ones_like(x, device=device)  # 直接从GPU创建张量
    x = x.to(device)                       # 或者直接使用``.to("cuda")``将张量移动到cuda中
    z = x + y
    print(z)
    print(z.to("cpu", torch.double))       # ``.to`` 也会对变量的类型做更改

https://github.com/zergtant/pytorch-handbook/blob/master/chapter1/1_tensor_tutorial.ipynb

pytorch学习笔记（二）快速入门之张量Tensors

张量（Tensors）

Numpy转换

相关推荐