快捷導(dǎo)航

python機(jī)器學(xué)習(xí)pytorch?張量基礎(chǔ)教程

更新時(shí)間：2022年10月12日 15:49:58 作者：xuejianxinokok

這篇文章主要為大家介紹了python機(jī)器學(xué)習(xí)pytorch?張量基礎(chǔ)教程，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪

正文

張量是一種特殊的數(shù)據(jù)結(jié)構(gòu)，與數(shù)組和矩陣非常相似。在 PyTorch 中，我們使用張量對模型的輸入和輸出以及模型的參數(shù)進(jìn)行編碼。

張量類似于NumPy 的ndarray，除了張量可以在 GPU 或其他硬件加速器上運(yùn)行。事實(shí)上，張量和 NumPy 數(shù)組通?？梢怨蚕硐嗤牡讓觾?nèi)存，從而無需復(fù)制數(shù)據(jù)（請參閱Bridge with NumPy）。張量也針對自動(dòng)微分進(jìn)行了優(yōu)化（我們將在稍后的Autograd 部分中看到更多相關(guān)內(nèi)容）。如果您熟悉 ndarrays，那么您對 Tensor API 會很快熟悉。

# 導(dǎo)入需要的包
import torch
import numpy as np

1.初始化張量

張量可以以各種方式初始化。請看以下示例：

1.1 直接從列表數(shù)據(jù)初始化

張量可以直接從列表數(shù)據(jù)中創(chuàng)建。數(shù)據(jù)類型是自動(dòng)推斷的。

# 創(chuàng)建python list 數(shù)據(jù)
data = [[1, 2],[3, 4]]
# 初始化張量
x_data = torch.tensor(data)

1.2 用 NumPy 數(shù)組初始化

張量可以從 NumPy 數(shù)組創(chuàng)建（反之亦然 - 請參閱Bridge with NumPy）。

# 創(chuàng)建numpy 數(shù)組
np_array = np.array(data)
# from_numpy初始化張量
x_np = torch.from_numpy(np_array)

1.3 從另一個(gè)張量初始化

新張量保留原張量的屬性（形狀shape、數(shù)據(jù)類型datatype），除非顯式覆蓋。

# 創(chuàng)建和x_data （形狀shape、數(shù)據(jù)類型datatype）一樣的張量并全部初始化為1
x_ones = torch.ones_like(x_data) # retains the properties of x_data
print(f"Ones Tensor: \n {x_ones} \n")
# 創(chuàng)建和x_data （形狀shape）一樣的張量并隨機(jī)初始化，覆蓋其數(shù)據(jù)類型datatype 為torch.float
x_rand = torch.rand_like(x_data, dtype=torch.float) # overrides the datatype of x_data
print(f"Random Tensor: \n {x_rand} \n")

Ones Tensor:
 tensor([[1, 1],
        [1, 1]])
Random Tensor:
 tensor([[0.5001, 0.2973],
        [0.8085, 0.9395]])

1.4 使用隨機(jī)值或常量值初始化

shape是張量維度的元組。在下面的函數(shù)中，它決定了輸出張量的維度。

# 定義形狀元組
shape = (2,3,)
# 隨機(jī)初始化
rand_tensor = torch.rand(shape)
# 全部初始化為1
ones_tensor = torch.ones(shape)
# 全部初始化為0
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}")

Random Tensor:
 tensor([[0.0032, 0.5302, 0.2832],
        [0.0826, 0.3679, 0.8727]])
Ones Tensor:
 tensor([[1., 1., 1.],
        [1., 1., 1.]])
Zeros Tensor:
 tensor([[0., 0., 0.],
        [0., 0., 0.]])

2.張量的屬性

張量屬性描述了它們的形狀Shape、數(shù)據(jù)類型Datatype和存儲它們的設(shè)備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}")

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

3.張量運(yùn)算

這里全面介紹了超過 100 種張量運(yùn)算，包括算術(shù)、線性代數(shù)、矩陣操作（轉(zhuǎn)置、索引、切片）、采樣等。

這些操作中的每一個(gè)都可以在 GPU 上運(yùn)行（通常以比 CPU 更高的速度）。

默認(rèn)情況下，張量是在 CPU 上創(chuàng)建的。我們需要使用 .to方法明確地將張量移動(dòng)到 GPU（在檢查 GPU 可用性之后）。請記住，跨設(shè)備復(fù)制大張量在時(shí)間和內(nèi)存方面可能會很昂貴！

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

嘗試列表中的一些操作。如果您熟悉 NumPy API，您會發(fā)現(xiàn) Tensor API 使用起來輕而易舉。

3.1 標(biāo)準(zhǔn)的類似 numpy 的索引和切片：

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

First row: tensor([1., 1., 1., 1.])
First column: tensor([1., 1., 1., 1.])
Last column: tensor([1., 1., 1., 1.])
tensor([[1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.]])

3.2 連接張量

您可以用來torch.cat沿給定維度連接一系列張量。另請參閱torch.stack，另一個(gè)與torch.cat.

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

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.]])

3.3 算術(shù)運(yùn)算

# This computes the matrix multiplication between two tensors. y1, y2, y3 will have the same value
y1 = tensor @ tensor.T
y2 = tensor.matmul(tensor.T)
y3 = torch.rand_like(y1)
torch.matmul(tensor, tensor.T, out=y3)
# This computes the element-wise product. z1, z2, z3 will have the same value
z1 = tensor * tensor
z2 = tensor.mul(tensor)
z3 = torch.rand_like(tensor)
torch.mul(tensor, tensor, out=z3)

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

3.4單元素張量 Single-element tensors

如果您有一個(gè)單元素張量，例如通過將張量的所有值聚合為一個(gè)值，您可以使用以下方法將其轉(zhuǎn)換為 Python 數(shù)值item()：

agg = tensor.sum()
agg_item = agg.item()
print(agg_item, type(agg_item))

12.0 <class 'float'>

3.5 In-place 操作

將結(jié)果存儲到操作數(shù)中的操作稱為In-place操作。它們由_后綴表示。例如：x.copy_(y), x.t_(), 會變x。

print(f"{tensor} \n")
tensor.add_(5)
print(tensor)

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.]])

注意：

In-place 操作可以節(jié)省一些內(nèi)存，但在計(jì)算導(dǎo)數(shù)時(shí)可能會出現(xiàn)問題，因?yàn)闀⒓磥G失歷史記錄。因此，不鼓勵(lì)使用它們。

4. 張量和NumPy 橋接

CPU 和 NumPy 數(shù)組上的張量可以共享它們的底層內(nèi)存位置，改變一個(gè)會改變另一個(gè)。

4.1 張量到 NumPy 數(shù)組

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

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

張量的變化反映在 NumPy 數(shù)組中。

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

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

4.2 NumPy 數(shù)組到張量

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

NumPy 數(shù)組的變化反映在張量中。

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

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

以上就是python機(jī)器學(xué)習(xí)pytorch 張量基礎(chǔ)教程的詳細(xì)內(nèi)容，更多關(guān)于python機(jī)器學(xué)習(xí)pytorch張量的資料請關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章:

最新国产好看的视频,伊人天堂AV在线,国产Aaaaaa视频,蜜臀视频在线观看一区,人妻av色图,密臀久久久精品影片,青青视频免费观看毛片,久草在线观看视,国产三级精品色情在线