PyTorch 中的张量（Tensor）

PyTorch 中的张量是一种强大的数据结构，类似于 NumPy 的 ndarray。与 NumPy 不同的是，PyTorch 张量能够在 GPU 或其他硬件加速器上运行，并且可以与 NumPy 数组共享相同的内存。这种设计使得 PyTorch 在性能和灵活性上具有显著优势。

张量的初始化

张量可以通过多种方式初始化：

直接从数据初始化：PyTorch 可以自动从数据中推断数据类型并创建张量。

data = [[1, 2], [3, 4]]
x_data = torch.tensor(data)

从 NumPy 数组初始化：张量可以从 NumPy 数组创建，反之亦然。

np_array = np.array(data)
x_np = torch.from_numpy(np_array)

从另一个张量初始化：新张量会保留原张量的属性（形状、数据类型），除非显式指定。

x_ones = torch.ones_like(x_data)  # 保留 x_data 的属性
x_rand = torch.rand_like(x_data, dtype=torch.float)  # 重写数据类型

使用随机或固定值初始化：通过指定形状来确定张量的维度。

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

张量的属性

张量的属性包括形状、数据类型和存储设备：

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}")

输出结果：

Shape of tensor: torch.Size([3, 4])
Datatype of tensor: torch.float32
Device tensor is stored on: cpu

张量操作

PyTorch 提供了超过 100 个张量操作，涵盖算术、线性代数、矩阵操作等。以下是一些常见操作示例：

标准的 NumPy-like 切片和索引：

tensor = torch.ones(4, 4)
print('First row: ', tensor[0])
print('First column: ', tensor[:, 0])
print('Last column:', tensor[..., -1])
tensor[:, 1] = 0
print(tensor)

张量连接：使用 torch.cat 或 torch.stack 来拼接张量。

t1 = torch.cat([tensor, tensor, tensor], dim=1)
print(t1)

算术运算：包括矩阵乘法和元素-wise 相加。

y1 = tensor @ tensor.T
y2 = tensor.matmul(tensor.T)
z1 = tensor * tensor
z2 = tensor.mul(tensor)

单元素张量：使用 item() 方法将单元素张量转换为 Python 数值。

agg = tensor.sum()
agg_item = agg.item()
print(f"{agg_item} {type(agg_item)}")

就地操作：在某些情况下，可以使用就地操作来修改张量。

print(tensor, "\n")
tensor.add_(5)
print(tensor)

PyTorch 与 NumPy 的桥梁

PyTorch 和 NumPy 可以互相转换，两者共享相同的内存：

t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")

修改张量会反映到 NumPy 数组：

t.add_(1)
print(f"t: {t}")
print(f"n: {n}")

总结

PyTorch 的张量功能使其成为机器学习和深度学习中的强大工具。通过支持 GPU 加速和与 NumPy 的无缝集成，PyTorch 提供了高效灵活的数据处理能力。理解张量的初始化、属性和操作是掌握 PyTorch 的基础。

转载地址：http://ogxfk.baihongyu.com/

你可能感兴趣的文章