Tensors该怎么入门-创新互联

本篇文章为大家展示了Tensors该怎么入门，内容简明扼要并且容易理解，绝对能使你眼前一亮，通过这篇文章的详细介绍希望你能有所收获。

一、入门

1.Tensors（张量）

Tensors（张量）类似于NumPy中的ndarray，另外它还可以使用GPU加速计算。

from__future__import print_function
importtorch

构造一个未初始化的5x3矩阵：

x = torch.empty(5, 3)
print(x)

输出：

tensor([[-9.0198e-17,  4.5633e-41, -2.9021e-15],
       [ 4.5633e-41,  0.0000e+00,  0.0000e+00],
       [ 0.0000e+00,  0.0000e+00,  0.0000e+00],
       [ 0.0000e+00,  0.0000e+00,  0.0000e+00],
       [ 0.0000e+00,  0.0000e+00,  0.0000e+00]])

构造一个随机初始化的矩阵：

x = torch.rand(5, 3)
print(x)

输出：

tensor([[0.1525, 0.7689, 0.5664],
       [0.7688, 0.0039, 0.4129],
       [0.9979, 0.3479, 0.2767],
       [0.9580, 0.9492, 0.6265],
       [0.2716, 0.6627, 0.3248]])

构造一个使用零填充、数据类型为long（长整型）的5X3矩阵：

x = torch.zeros(5, 3, dtype=torch.long)
print(x)

输出：

tensor([[0, 0, 0],
       [0, 0, 0],
       [0, 0, 0],
       [0, 0, 0],
       [0, 0, 0]])

直接用一组数据构造Tensor（张量）：

x = torch.tensor([5.5, 3])
print(x)

输出：

tensor([5.5000, 3.0000])

或者根据现有的Tensor（张量）创建新的Tensor（张量）。除非用户提供新值，否则这些方法将重用输入张量的属性，例如dtype：

x = x.new_ones(5, 3, dtype=torch.double)  # 使用new_* 方法设定维度
print(x)

x = torch.randn_like(x, dtype=torch.float)   # 重新设定数据类型
Print(x)                                   # 结果维度不变

输出：

tensor([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]], dtype=torch.float64)

tensor([[ 0.4228,  0.3279,  0.6367],
       [ 0.9233, -0.5232, -0.6494],
       [-0.1946,  1.7199, -0.1954],
       [ 0.1222,  0.7204, -1.3328],
       [ 0.1230, -0.5800,  0.4562]])

输出它的大小：

print(x.size())

输出：

torch.Size([5, 3])

【注意：torch.Size 实际上是一个元组，因此它支持所有元组操作。】

2. 运算

Tensor运算有多种语法。在下面的示例中，我们将先示例加法运算。

加法运算：语法1

y = torch.rand(5, 3)
print(x + y)

输出：

tensor([[ 0.0732,  0.9384, -0.2489],
       [-0.6905,  2.1267,  3.0045],
       [ 0.6199,  0.4936, -0.0398],
       [-2.0623, -0.5140,  1.6162],
       [ 0.3189, -0.0327, -0.5353]])

加法运算：语法2

print(torch.add(x, y))

输出：

tensor([[ 0.0732,  0.9384, -0.2489],
       [-0.6905,  2.1267,  3.0045],
       [ 0.6199,  0.4936, -0.0398],
       [-2.0623, -0.5140,  1.6162],
       [ 0.3189, -0.0327, -0.5353]])

加法运算：使用输出Tensor（张量）作为参数

result = torch.empty(5, 3)
torch.add(x, y, out=result)

print(result)

输出：

tensor([[ 0.0732,  0.9384, -0.2489],
       [-0.6905,  2.1267,  3.0045],
       [ 0.6199,  0.4936, -0.0398],
       [-2.0623, -0.5140,  1.6162],
       [ 0.3189, -0.0327, -0.5353]])

加法运算：内联接

# adds x to y
y.add_(x)
print(y)

输出：

tensor([[ 0.0732,  0.9384, -0.2489],
       [-0.6905,  2.1267,  3.0045],
       [ 0.6199,  0.4936, -0.0398],
       [-2.0623, -0.5140,  1.6162],
       [ 0.3189, -0.0327, -0.5353]])

【注意：任何改变原张量实现内联接的操作都是通过在后边加_ 实现的。例如：x.copy_(y)，x.t_()，将将改变x的值。】

 你可以像在NumPy中一样使用索引及其他所有华丽的功能。

print(x[:, 1])

输出：

tensor([ 0.3279, -0.5232,  1.7199,  0.7204, -0.5800])

Resizing（调整大小）：如果要resize/reshape张量，可以使用torch.view：

x = torch.randn(4, 4)
y = x.view(16)
z = x.view(-1, 8)  # -1是推断出来的

print(x.size(), y.size(), z.size())

输出：

torch.Size([4, 4])  torch.Size([16])  torch.Size([2, 8])

如果你有只含一个元素的张量，可以用.item()获取它的值作为Python数值

x = torch.randn(1)

print(x)

print(x.item())

输出：

tensor([0.1550])

0.15495021641254425

【延伸阅读：100+张量操作，包括置换，索引，切片，数学运算，线性代数，随机数等等，被详细描述在这里

（https://pytorch.org/docs/torch）。】

 二、NUMPY桥接器

将Torch Tensor转换为NumPy array是一件轻而易举的事（反之亦然）。Torch Tensor和NumPyarray共享其底层内存位置，更改一个将改变另一个。

1.将Torch Tensor转换为NumPy array

a = torch.ones(5)

print(a)

输出：

tensor([1., 1., 1., 1., 1.])

b = a.numpy()

print(b)

输出：

[1. 1. 1. 1. 1.]

了解numpyarray的值如何变化。

a.add_(1)

print(a)

print(b)

输出：

tensor([2., 2., 2., 2., 2.])

[2. 2. 2. 2. 2.]

2. 将NumPy array转换为Torch Tensor

了解如何自动地将np array更改为Torch Tensor

import numpy as np

a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)

print(a)
print(b)

输出：

[2. 2. 2. 2. 2.]

tensor([2., 2., 2., 2., 2.], dtype=torch.float64)

除了Char（字符型）Tensor之外，CPU上的所有Tensors都支持转换为NumPy及返回。

三、CUDA TENSORS（张量）

可以使用.to方法将张量移动到任何设备上。

# 仅当CUDA可用的情况下运行这个cell
# 我们用 ``torch.device`` 对象实现tensors在GPU上的写入与读出if torch.cuda.is_available():

   device = torch.device("cuda")          # 一个 CUDA 终端对象

   y = torch.ones_like(x, device=device)  # 直接在GUP上创建Tensor
   x = x.to(device)                # 或者直接使用字符串`.to("cuda")``
   z = x + y

   print(z)
   print(z.to("cpu", torch.double))     # `.to`` 也可以改变对象数据类型

输出：

tensor([2.4519], device='cuda:0')

tensor([2.4519], dtype=torch.float64)

脚本总运行时间：（0分6.338秒）

上述内容就是Tensors该怎么入门，你们学到知识或技能了吗？如果还想学到更多技能或者丰富自己的知识储备，欢迎关注创新互联-成都网站建设公司行业资讯频道。