在PyTorch中，torch.Tensor是存储和变换数据的主要工具。如果之前用过NumPy，会发现Tensor和NumPy的多维数组非常类似。然而，Tensor提供GPU计算和自动求梯度等更多功能，这些使Tensor更加适合深度学习

“tensor”，张量可以看作是一个多维数组。标量可以看作是0维张量，向量可以看作1维张量，矩阵可以看作是二维张量。

创建Tensor

  1. import torch
  3. #创建一个5*3的未初始化的Tensor
  4. x = torch.empty(5,3)  
  5. print(x)
  7. tensor([[1.7753e+28, 7.4389e+34, 1.8040e+28],
  8.         [3.3840e-12, 7.5555e+31, 1.4605e-19],
  9.         [2.7517e+12, 7.5338e+28, 7.6286e-19],
  10.         [3.0313e+32, 9.1042e-12, 6.2609e+22],
  11.         [4.7428e+30, 3.5833e-14, 0.0000e+00]])
  13. #创建一个5*3的随机初始化的Tensor
  14. x = torch.rand(5,3)  
  15. print(x)  
  17. tensor([[0.9999, 0.4164, 0.5664],
  18.         [0.0104, 0.3030, 0.2805],
  19.         [0.7643, 0.3122, 0.3903],
  20.         [0.9240, 0.0910, 0.8578],
  21.         [0.3053, 0.0977, 0.9361]])
  23. #创建一个5x3的long型全0的Tensor
  24. x = torch.zeros(5,3,dtype = torch.long)
  25. print(x)
  27. tensor([[0, 0, 0],
  28.         [0, 0, 0],
  29.         [0, 0, 0],
  30.         [0, 0, 0],
  31.         [0, 0, 0]])
  33. #还可以直接根据数据创建
  34. x = torch.tensor([5.5,3])
  35. print(x)
  37. tensor([5.5000, 3.0000])
  39. #还可以通过现有的Tensor来创建，此方法会默认重用输入Tensor的一些属性，例如数据类型，除非自定义数据类型
  40. x = torch.tensor([5.5,3])
  41. x = x.new_ones(5, 3, dtype=torch.float64)  # 返回的tensor默认具有相同的torch.dtype和torch.device
  42. print(x)
  44. x = torch.randn_like(x, dtype=torch.float) # 指定新的数据类型
  45. print(x) 
  47. tensor([[1., 1., 1.],
  48.         [1., 1., 1.],
  49.         [1., 1., 1.],
  50.         [1., 1., 1.],
  51.         [1., 1., 1.]], dtype=torch.float64)
  52. tensor([[ 0.6035,  0.8110, -0.0451],
  53.         [ 0.8797,  1.0482, -0.0445],
  54.         [-0.7229,  2.8663, -0.5655],
  55.         [ 0.1604, -0.0254,  1.0739],
  56.         [ 2.2628, -0.9175, -0.2251]])
  58. #可以通过shape或者size()来获取Tensor的形状
  59. print(x.size())
  60. print(x.shape)
  62. torch.Size([5, 3])
  63. torch.Size([5, 3])    #返回的torch.Size其实就是一个tuple, 支持所有tuple的操作

Tensor基本操作

加法

  1. y = torch.rand(5, 3)
  2. print(x + y)
  4. print(torch.add(x, y))
  6. #指定输出
  7. result = torch.empty(5, 3)
  8. torch.add(x, y, out=result)
  9. print(result)
  11. #inplace——PyTorch操作inplace版本都有后缀_, 例如x.copy_(y), x.t_()
  12. # adds x to y
  13. y.add_(x)
  14. print(y)
  16. tensor([[ 1.3967,  1.0892,  0.4369],
  17.         [ 1.6995,  2.0453,  0.6539],
  18.         [-0.1553,  3.7016, -0.3599],
  19.         [ 0.7536,  0.0870,  1.2274],
  20.         [ 2.5046, -0.1913,  0.4760]])

索引

可以使用类似NumPy的索引操作来访问Tensor的一部分，需要注意的是：索引出来的结果与原数据共享内存，也即修改一个，另一个会跟着修改

  1. y = x[0, :]
  2. y += 1
  3. print(y)
  4. print(x[0, :]) # 源tensor也被改了
  6. tensor([1.6035, 1.8110, 0.9549])
  7. tensor([1.6035, 1.8110, 0.9549])

改变形状

  1. y = x.view(15)
  2. z = x.view(-1, 5)  # -1所指的维度可以根据其他维度的值推出来
  3. print(x.size(), y.size(), z.size())
  5. torch.Size([5, 3]) torch.Size([15]) torch.Size([3, 5])
  7. #注意view()返回的新Tensor与源Tensor虽然可能有不同的size，但是是共享data的，也即更改其中的一个，另外一个也会跟着改变。view仅仅是改变了对这个张量的观察角度，内部数据并未改变
  8. x += 1
  9. print(x)
  10. print(y) # 也加了1
  12. tensor([[1.6035, 1.8110, 0.9549],
  13.         [1.8797, 2.0482, 0.9555],
  14.         [0.2771, 3.8663, 0.4345],
  15.         [1.1604, 0.9746, 2.0739],
  16.         [3.2628, 0.0825, 0.7749]])
  17. tensor([1.6035, 1.8110, 0.9549, 1.8797, 2.0482, 0.9555, 0.2771, 3.8663, 0.4345,
  18.         1.1604, 0.9746, 2.0739, 3.2628, 0.0825, 0.7749])
  20. #如果我们想返回一个真正新的副本（即不共享data内存）该怎么办呢？Pytorch还提供了一个reshape()可以改变形状，但是此函数并不能保证返回的是其拷贝，所以不推荐使用。先用clone创造一个副本然后再使用view
  22. x_cp = x.clone().view(15)
  23. x -= 1
  24. print(x)
  25. print(x_cp)
  27. tensor([[ 0.6035,  0.8110, -0.0451],
  28.         [ 0.8797,  1.0482, -0.0445],
  29.         [-0.7229,  2.8663, -0.5655],
  30.         [ 0.1604, -0.0254,  1.0739],
  31.         [ 2.2628, -0.9175, -0.2251]])
  32. tensor([1.6035, 1.8110, 0.9549, 1.8797, 2.0482, 0.9555, 0.2771, 3.8663, 0.4345,
  33.         1.1604, 0.9746, 2.0739, 3.2628, 0.0825, 0.7749])
  35. #使用clone还有一个好处是会被记录在计算图中，即梯度回传到副本时也会传到源Tensor
  37. #item()它可以将一个标量Tensor转换成一个Python number
  38. x = torch.randn(1)
  39. print(x)
  40. print(x.item())
  42. tensor([2.3466])
  43. 2.3466382026672363

广播机制

当对两个形状不同的Tensor按元素运算时，可能会触发广播机制：先适当复制元素使这两个Tensor形状相同后再按元素运算

  1. x = torch.arange(1, 3).view(1, 2)
  2. print(x)
  3. y = torch.arange(1, 4).view(3, 1)
  4. print(y)
  5. print(x + y)
  7. tensor([[1, 2]])
  8. tensor([[1],
  9.         [2],
  10.         [3]])
  11. tensor([[2, 3],
  12.         [3, 4],
  13.         [4, 5]])
  15. #由于x和y分别是1行2列和3行1列的矩阵，如果要计算x + y，那么x中第一行的2个元素被广播（复制）到了第二行和第三行，而y中第一列的3个元素被广播（复制）到了第二列，如此，就可以对2个3行2列的矩阵按元素相加

运算的内存开销

索引操作是不会开辟新内存的，而像y = x + y这样的运算是会新开内存的，y指向新内存。为了演示这一点，可以使用Python自带的id函数：如果两个实例的ID一致，那么它们所对应的内存地址相同；反之则不同

  1. x = torch.tensor([1, 2])
  2. y = torch.tensor([3, 4])
  3. id_before = id(y)
  4. y = y + x
  5. print(id(y) == id_before) # False

如果想指定结果到原来的y的内存，可以使用前面介绍的索引来进行替换操作。在下面的例子中，把x + y的结果通过[ ：]写进y对应的内存中

  1. x = torch.tensor([1,2])
  2. y = torch.tensor([3,4])
  3. id_before = id(y)
  4. y[:] = y + x
  5. print(id(y) == id_before) # True

还可以使用运算符全名函数中的out参数或者自加运算符+=(也即add()达到上述效果，例如torch.add(x, y, out = y)和y += x (y.add(x))

  1. x = torch.tensor([1, 2])
  2. y = torch.tensor([3, 4])
  3. id_before = id(y)
  4. torch.add(x, y, out=y) # y += x, y.add_(x)
  5. print(id(y) == id_before) # True

注：虽然view返回的Tensor与源Tensor是共享data的，但是依然是一个新的Tensor（因为Tensor除了包含data外还有一些其他属性），二者id（内存地址）并不一致

Tensor和Numpy的相互转换

我们很容易用numpy()和from numpy()将Tensor和NumPy中的数组相互转换。但是需要注意的一点是： 这两个函数所产生的的Tensor和NumPy中的数组共享相同的内存（所以他们之间的转换很快），改变其中一个时另一个也会改变！

还有一个常用的将NumPy中的array转换成Tensor的方法就是torch.tensor(), 此方法总是会进行数据拷贝（就会消耗更多的时间和空间），所以返回的Tensor和原来的数据不再共享内存

Tensor转Numpy

  1. a = torch.ones(5)
  2. b = a.numpy()
  3. print(a, b)
  5. a += 1
  6. print(a, b)
  7. b += 1
  8. print(a, b)
  10. tensor([1., 1., 1., 1., 1.]) [1. 1. 1. 1. 1.]
  11. tensor([2., 2., 2., 2., 2.]) [2. 2. 2. 2. 2.]
  12. tensor([3., 3., 3., 3., 3.]) [3. 3. 3. 3. 3.]

Numpy转Tensor

  1. import numpy as np
  2. a = np.ones(5)
  3. b = torch.from_numpy(a)
  4. print(a, b)
  6. a += 1
  7. print(a, b)
  8. b += 1
  9. print(a, b)
  11. [1. 1. 1. 1. 1.] tensor([1., 1., 1., 1., 1.], dtype=torch.float64)
  12. [2. 2. 2. 2. 2.] tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
  13. [3. 3. 3. 3. 3.] tensor([3., 3., 3., 3., 3.], dtype=torch.float64)

所有在CPU上的Tensor（除了CharTensor）都支持与NumPy数组相互转换。
此外上面提到还有一个常用的方法就是直接用torch.tensor()将NumPy数组转换成Tensor

  1. c = torch.tensor(a)
  2. a += 1
  3. print(a, c)
  5. [4. 4. 4. 4. 4.] tensor([3., 3., 3., 3., 3.], dtype=torch.float64)

Tensor on GPU

  1. # 以下代码只有在PyTorch GPU版本上才会执行
  2. if torch.cuda.is_available():
  3.     device = torch.device("cuda")          # GPU
  4.     y = torch.ones_like(x, device=device)  # 直接创建一个在GPU上的Tensor
  5.     x = x.to(device)                       # 等价于 .to("cuda")
  6.     z = x + y
  7.     print(z)
  8.     print(z.to("cpu", torch.double))       # to()还可以同时更改数据类型