【深度学习】Pytorch Tensor 张量

简介: 【1月更文挑战第10天】【深度学习】Pytorch Tensor 张量

目录

一、张量概述:

二、初始化张量:

直接使用Python列表转化为张量:

通过Numpy数组(ndarray)转换为张量:

通过已有的张量生成新的张量:

通过指定数据维度生成张量:

三、张量属性:

四、张量的运算:

1.张量的索引和切片:

2.张量的拼接:

3.张量的乘法和矩阵乘法:

乘法(点乘):

矩阵乘法(叉乘):

4.自动赋值运算:

五、Tensor和Numpy的相互转换:

1.由tensor转换为ndarray:

2.由Ndarray转换为Tensor:

     现在是凌晨12点,记录一下学习,重新复习一下Pytorch......好吧,其实也不算复习,之前也只是简单的了解了一下,仅此而已。但是!现在不一样,需要仔细的去学习!

    Let‘s do it !!!

    这只是一篇简单的学习笔记,仅此而已!!!

一、张量概述:
一种特殊的数据结构,使用在深度学习的神经网络中,类似数组(多维度)和矩阵。神经网络的输入输出、网格参数都是使用张量来进行描述!

import torch
import numpy as np
二、初始化张量:
张量的初始化方式有多种,主要是根据数据来源选择不同的初始化方法:

直接使用Python列表转化为张量:
data = [[1, 2], [3, 4]]
x_data = torch.tensor(data)
使用torch库中的函数tensor将一个二维python列表转换为一个二维的张量。

通过Numpy数组(ndarray)转换为张量:
ndarray和张量(tensor)之间是支持相互转换的

np_array = np.array(data)
x_np = torch.from_numpy(np_array)
通过已有的张量生成新的张量:
新的张量将会继承原有张量的数据属性(结构和类型),也可以重新指定新的数据属性。

x_ones = torch.ones_like(x_data) # 保留 x_data 的属性
print(f"Ones Tensor: \n {x_ones} \n")

x_rand = torch.rand_like(x_data, dtype=torch.float) # 重写 x_data 的数据类型int -> float
print(f"Random Tensor: \n {x_rand} \n")
Ones Tensor:
tensor([[1, 1],
[1, 1]])

Random Tensor:
tensor([[0.0381, 0.5780],
[0.3963, 0.0840]])
通过指定数据维度生成张量:
使用shape元组指定生成的张量维度,将元组传递给torch函数创建不同的张量:

shape = (2,3,)
rand_tensor = torch.rand(shape)
ones_tensor = torch.ones(shape)
zeros_tensor = torch.zeros(shape)

print(f"Random Tensor: \n {rand_tensor} \n")
print(f"Ones Tensor: \n {ones_tensor} \n")
print(f"Zeros Tensor: \n {zeros_tensor}")
Random Tensor:
tensor([[0.0266, 0.0553, 0.9843],
[0.0398, 0.8964, 0.3457]])

Ones Tensor:
tensor([[1., 1., 1.],
[1., 1., 1.]])

Zeros Tensor:
tensor([[0., 0., 0.],
[0., 0., 0.]])
三、张量属性:
通过张量的不同属性,可以知道张量的维度,张量的数据类型、张量的存储设备(物理设备)

tensor = torch.rand(3,4)

print(f"Shape of tensor: {tensor.shape}")
print(f"Datatype of tensor: {tensor.dtype}")
print(f"Device tensor is stored on: {tensor.device}")
Shape of tensor: torch.Size([3, 4]) # 维数
Datatype of tensor: torch.float32 # 数据类型
Device tensor is stored on: cpu # 存储设备
四、张量的运算:
检查当前运行环境是否支持Pytorch,检查代码:

判断当前环境GPU是否可用, 然后将tensor导入GPU内运行

if torch.cuda.is_available():
tensor = tensor.to('cuda')
1.张量的索引和切片:
Python的切片,第一个参数是行操作,第二个参数是列操作。

tensor = torch.ones(4, 4)
tensor[:,1] = 0 # 将第1列(从0开始)的数据全部赋值为0
print(tensor)
所有的索引位置都是从0开始:

tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
2.张量的拼接:
你可以通过torch.cat方法将一组张量按照指定的维度进行拼接, 也可以参考torch.stack方法。

t1 = torch.cat([tensor, tensor, tensor], dim=1)
print(t1)
注意这里的dim参数,这里是指定tensor拼接的维度,维度索引同样是从0开始,0表示第一维,1表示第二维,所以拼接在二维的情况是按照列拼接:

tensor([[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.]])
想知道有几个维度,数出有几层中括号就行,有几层中括号就有几维。而且,随着中括号由外向里走,维度依次增加:从 0 变为 1 变为 2。

3.张量的乘法和矩阵乘法:
简单区分一下乘法和矩阵乘法的区别:

乘法:在矩阵上是两个shape相同的矩阵(就是需要满足矩阵的形状一致),对应位置上的元素相乘
矩阵乘法:要求矩阵内联的维度一致,即(n,m)x (m,z)
乘法(点乘):

逐个元素相乘结果

print(f"tensor.mul(tensor): \n {tensor.mul(tensor)} \n")

等价写法:

print(f"tensor tensor: \n {tensor tensor}")
tensor.mul(tensor):
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])

tensor * tensor:
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])
矩阵乘法(叉乘):
print(f"tensor.matmul(tensor.T): \n {tensor.matmul(tensor.T)} \n")

等价写法:

print(f"tensor @ tensor.T: \n {tensor @ tensor.T}")
tensor.matmul(tensor.T):
tensor([[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.]])

tensor @ tensor.T:
tensor([[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.],
[3., 3., 3., 3.]])
4.自动赋值运算:
自动赋值运算通常在方法后有 作为后缀, 例如: x.copy(y), x.t_()操作会改变 x 的取值。即将方法调用执行的结果重新赋值给调用方法的变量。

print(tensor, "\n")
tensor.add_(5)
print(tensor)
tensor([[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.],
[1., 0., 1., 1.]])

tensor([[6., 5., 6., 6.],
[6., 5., 6., 6.],
[6., 5., 6., 6.],
[6., 5., 6., 6.]])
注意:自动赋值运算虽然可以节省内存, 但在求导时会因为丢失了中间过程而导致一些问题, 所以我们并不鼓励使用它。

五、Tensor和Numpy的相互转换:
张量和ndarray数组在CPU上可以共用一块内存区域,改变其中一个值,另一个也会发生改变。

1.由tensor转换为ndarray:
tensor直接调用numpy方法:

t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")
t: tensor([1., 1., 1., 1., 1.])
n: [1. 1. 1. 1. 1.]
此时,如果修改张量tensor的值,那么对应的ndarray中的值也会发生改变,这里只是变量类型的改变,但是变量指向的内存地址是同一个内存空间:

t.add_(1)
print(f"t: {t}")
print(f"n: {n}")
t: tensor([2., 2., 2., 2., 2.])
n: [2. 2. 2. 2. 2.]
2.由Ndarray转换为Tensor:
n = np.ones(5)
t = torch.from_numpy(n)
修改Numpy array数组的值,则张量值也会随之改变。

np.add(n, 1, out=n)
print(f"t: {t}")
print(f"n: {n}")
t: tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
n: [2. 2. 2. 2. 2.]

相关文章
|
14小时前
|
机器学习/深度学习 资源调度 PyTorch
【从零开始学习深度学习】15. Pytorch实战Kaggle比赛:房价预测案例【含数据集与源码】
【从零开始学习深度学习】15. Pytorch实战Kaggle比赛:房价预测案例【含数据集与源码】
|
19小时前
|
机器学习/深度学习 算法 PyTorch
【从零开始学习深度学习】45. Pytorch迁移学习微调方法实战:使用微调技术进行2分类图片热狗识别模型训练【含源码与数据集】
【从零开始学习深度学习】45. Pytorch迁移学习微调方法实战:使用微调技术进行2分类图片热狗识别模型训练【含源码与数据集】
|
19小时前
|
机器学习/深度学习 算法 PyTorch
【从零开始学习深度学习】44. 图像增广的几种常用方式并使用图像增广训练模型【Pytorch】
【从零开始学习深度学习】44. 图像增广的几种常用方式并使用图像增广训练模型【Pytorch】
|
19小时前
|
机器学习/深度学习 算法 PyTorch
【从零开始学习深度学习】42. 算法优化之AdaDelta算法【基于AdaGrad算法的改进】介绍及其Pytorch实现
【从零开始学习深度学习】42. 算法优化之AdaDelta算法【基于AdaGrad算法的改进】介绍及其Pytorch实现
|
19小时前
|
机器学习/深度学习 算法 PyTorch
【从零开始学习深度学习】41. 算法优化之RMSProp算法【基于AdaGrad算法的改进】介绍及其Pytorch实现
【从零开始学习深度学习】41. 算法优化之RMSProp算法【基于AdaGrad算法的改进】介绍及其Pytorch实现
|
20小时前
|
机器学习/深度学习 算法 PyTorch
【从零开始学习深度学习】40. 算法优化之AdaGrad算法介绍及其Pytorch实现
【从零开始学习深度学习】40. 算法优化之AdaGrad算法介绍及其Pytorch实现
|
20小时前
|
机器学习/深度学习 PyTorch 算法框架/工具
【从零开始学习深度学习】39. 梯度下降优化之动量法介绍及其Pytorch实现
【从零开始学习深度学习】39. 梯度下降优化之动量法介绍及其Pytorch实现
|
30天前
|
机器学习/深度学习 编解码 PyTorch
Pytorch实现手写数字识别 | MNIST数据集(CNN卷积神经网络)
Pytorch实现手写数字识别 | MNIST数据集(CNN卷积神经网络)
|
28天前
|
机器学习/深度学习 JSON PyTorch
图神经网络入门示例:使用PyTorch Geometric 进行节点分类
本文介绍了如何使用PyTorch处理同构图数据进行节点分类。首先,数据集来自Facebook Large Page-Page Network,包含22,470个页面,分为四类,具有不同大小的特征向量。为训练神经网络,需创建PyTorch Data对象,涉及读取CSV和JSON文件,处理不一致的特征向量大小并进行归一化。接着,加载边数据以构建图。通过`Data`对象创建同构图,之后数据被分为70%训练集和30%测试集。训练了两种模型:MLP和GCN。GCN在测试集上实现了80%的准确率,优于MLP的46%,展示了利用图信息的优势。
29 1
|
28天前
|
机器学习/深度学习 PyTorch 算法框架/工具
神经网络基本概念以及Pytorch实现,多线程编程面试题
神经网络基本概念以及Pytorch实现,多线程编程面试题

相关实验场景

更多