翻译自

https://pytorch.org/tutorials/beginner/blitz/tensor_tutorial.html#tensor-operations

参考

https://pytorch.org/docs/1.7.0/tensor_attributes.html#tensor-attributes

张量

张量是一种类似数组和矩阵的数据结构。在PyTorch中，我们使用张量去封装模型的输入和输出，另外，模型的参数也是用张量表示。

张量类似于NumPy的n维数组，除了张量能使用GPU或者特定的硬件加速计算。

import torch
import numpy as np

张量初始化

张量可以通过多种方式初始化。

从数据初始化

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

从NumPy数组初始化

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

从另一个张量初始化 ```python x_ones = torch.ones_like(x_data) # retains the properties of x_data print(f”Ones Tensor: \n {x_ones} \n”)

x_rand = torch.rand_like(x_data, dtype=torch.float) # overrides the datatype of x_data print(f”Random Tensor: \n {x_rand} \n”)

输出
```python
Ones Tensor:
 tensor([[1, 1],
        [1, 1]])

Random Tensor:
 tensor([[0.7712, 0.3382],
        [0.2964, 0.6167]])

使用随机数或者固定值初始化 ```python 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}”)

输出
```python
Random Tensor:
 tensor([[0.5419, 0.5118, 0.7665],
        [0.6088, 0.6369, 0.0696]])

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

Zeros Tensor:
 tensor([[0., 0., 0.],
        [0., 0., 0.]])

张量的属性

张量的属性描述张量的形状（shape）、数据类型（dtype）、存储的设备（device）

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

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

张量的操作

张量有100多种操作，包括转置、索引、切片、数值运算、线性代数等等，张量的每一种操作都可以在GPU上运行。

# We move our tensor to the GPU if available
if torch.cuda.is_available():
  tensor = tensor.to('cuda')

NumPy风格的索引和切片

tensor = torch.ones(4, 4)
tensor[:,1] = 0
print(tensor)

输出

tensor([[1., 0., 1., 1.],
      [1., 0., 1., 1.],
      [1., 0., 1., 1.],
      [1., 0., 1., 1.]])

拼接

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

输出

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.]])

乘法

点乘

# This computes the element-wise product
print(f"tensor.mul(tensor) \n {tensor.mul(tensor)} \n")
# Alternative syntax:
print(f"tensor * tensor \n {tensor * tensor}")

输出

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

print(f"tensor.matmul(tensor.T) \n {tensor.matmul(tensor.T)} \n")
# Alternative syntax:
print(f"tensor @ tensor.T \n {tensor @ tensor.T}")

输出

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.]])

原地运算（in-place operations）

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

输出 ```python 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.]])

<a name="N2QHE"></a>
# 与NumPy的桥梁
在CPU上的张量可以和NumPy数组共享数据存储的内存，改变其中一个会改变另一个。

- Tensor to NumPy array
```python
t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")

输出

t: tensor([1., 1., 1., 1., 1.])
n: [1. 1. 1. 1. 1.]

改变张量会影响NumPy数组

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

输出

t: tensor([2., 2., 2., 2., 2.])
n: [2. 2. 2. 2. 2.]

NumPy array to Tensor

n = np.ones(5)
t = torch.from_numpy(n)

改变NumPy数组会影响张量的值

np.add(n, 1, out=n)
print(f"t: {t}")
print(f"n: {n}")

输出

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

PyTorch源码剖析

认识张量（Tensor）

张量

张量初始化

张量的属性

张量的操作