1. 简介

60分钟快速入门 - 图1

PyTorch 是基于 Python 科学计算包，面向以下两种使用场景：

  • GPU 强大的加速性能，从而替代 NumPy
  • PyTorch 作为深度学习研究平台，提供了最大化的灵活性和速度

📜 原文地址：https://pytorch.org/tutorials/beginner/blitz/tensor_tutorial.html

张量是一种特殊的数据结构，与数据和矩阵非常相似。在 PyTorch 中，我们使用张量对模型的输入和输出以及模型的参数进行编码。

Tensors 类似于 NumPy 的 ndarrays，只是张量可以在 GPU 或其他专用硬件上进行加速运算。如果你熟悉 ndarrays，就可以直接使用 Tensor API。如果没有，请按照下面的 API 快速演练进行操作。

  1. import torch
  2. import numpy as np

2. 初始化

Tensors 可以用各种方式初始化，请看以下示例：

2.1 直接使用数据构建

Tensors 可以直接使用数据来构建，它将自动进行数据类型的推断。

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

2.2 使用 NumPy 数组构建

Tensors 可以使用 NumPy 数组进行构建。

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

2.3 使用另外一个tensor构建

除非显式重写，否则新的 Tensor 将保留参数 tensor 的特性（维度、数据类型）。

  1. x_ones = torch.ones_like(x_data) # retains the properties of x_data
  2. print(f"Ones Tensor: \n {x_ones} \n")
  4. x_rand = torch.rand_like(x_data, dtype=torch.float) # overrides the datatype of x_data
  5. print(f"Random Tensor: \n {x_rand} \n")

注意：如果声明一个未初始化的矩阵，该矩阵在使用之前不会包含确定已知的值。当创建一个未初始化的矩阵时，分配内存中的值都将显示为初始值。

  • 构建一个未初始化的 60分钟快速入门 - 图2 矩阵：
  1. import torch
  3. x = torch.empty(5, 3)
  4. print(x)

输出结果：

  1. tensor([[6.4158e+10, 9.3046e-43, 6.4150e+10],
  2.         [9.3046e-43, 6.4149e+10, 9.3046e-43],
  3.         [6.4149e+10, 9.3046e-43, 6.4152e+10],
  4.         [9.3046e-43, 6.4152e+10, 9.3046e-43],
  5.         [6.4146e+10, 9.3046e-43, 6.4146e+10]])

多次运行该段代码，输出结果每次是不相同的

  • 构建一个随机初始化的矩阵：
  1. import torch
  3. x = torch.rand(5, 3)
  4. print(x)

输出结果：

  1. tensor([[0.0333, 0.8159, 0.0170],
  2.         [0.5828, 0.3363, 0.5798],
  3.         [0.4928, 0.3689, 0.8265],
  4.         [0.2678, 0.6598, 0.2170],
  5.         [0.7417, 0.5393, 0.6702]])

torch.rand 返回一个符合均匀分布的随机数矩阵，随机数取值区间为 [0, 1)。

  • 构建一个元素填充为 0，且数据类型为 tensor.long 的矩阵：
  1. import torch
  3. x = torch.zeros(5, 3, dtype=torch.long)
  4. print(x)

输出结果：

  1. tensor([[0, 0, 0],
  2.         [0, 0, 0],
  3.         [0, 0, 0],
  4.         [0, 0, 0],
  5.         [0, 0, 0]])
  • 直接从列表数据中构建一个 Tensor：
  1. import torch
  3. x = torch.tensor([5.1, 3])
  4. print(x)

输出结果：

  1. tensor([5.1000, 3.0000])
  • 根据已知的 tensor 来创建 tensor，以下方法会重复使用输入 tensor 的属性，例如数据类型。除非用户自己指定新的值：
  1. x = torch.rand(5, 3)
  2. y1 = x.new_ones(5, 3, dtype=torch.double)
  3. print(y1)
  5. y2 = torch.rand_like(x, dtype=torch.float)
  6. print(y2)
  7. print(y2.size())

输出结果：

  1. tensor([[1., 1., 1.],
  2.         [1., 1., 1.],
  3.         [1., 1., 1.],
  4.         [1., 1., 1.],
  5.         [1., 1., 1.]], dtype=torch.float64)
  6. tensor([[0.6728, 0.2809, 0.9017],
  7.         [0.1962, 0.8225, 0.9839],
  8.         [0.9622, 0.9088, 0.8063],
  9.         [0.1374, 0.4724, 0.6598],
  10.         [0.9871, 0.6245, 0.0878]])
  11. torch.Size([5, 3])

注意：torch.Size 事实上是一个元组，所以它支持所有元组的操作。