学习基础知识 || 快速入门 || 张量 || 数据集和数据加载器 || 转换 || 构建模型 || 自动求导 || 优化 || 保存和加载模型

张量

创建时间：2021年2月10日 | 最后更新：2024年1月16日 | 最后验证：2024年11月5日

张量是一种特殊的数据结构，与数组和矩阵非常相似。 在 PyTorch 中，我们使用张量来编码模型的输入和输出，以及模型的参数。

张量类似于 NumPy的 ndarray，除了张量可以在GPU或其他硬件加速器上运行。实际上，张量和 NumPy数组通常可以共享相同的底层内存，从而消除了复制数据的需要（参见 与NumPy的桥梁)。张量 还针对自动微分进行了优化（我们将在Autograd 部分进一步了解）。如果你熟悉ndarray，你会对张量API感到得心应手。如果不熟悉，请继续学习！

import torch
import numpy as np

初始化一个张量

张量可以通过多种方式初始化。以下是一些示例：

直接从数据

张量可以直接从数据创建，数据类型会自动推断。

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

从NumPy数组

张量可以从NumPy数组创建（反之亦然 - 请参阅 与NumPy的桥梁)。

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

从另一个张量：

新的张量继承了Argument张量的属性（形状、数据类型），除非明确覆盖。

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")

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

Random Tensor:
 tensor([[0.8823, 0.9150],
        [0.3829, 0.9593]])

使用随机值或常数值：

shape 是一个张量维度的元组。在以下函数中，它决定了输出张量的维度。

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}")

Random Tensor:
 tensor([[0.3904, 0.6009, 0.2566],
        [0.7936, 0.9408, 0.1332]])

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

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

---

张量的属性

张量属性描述了它们的形状、数据类型以及存储设备。

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

---

张量操作

超过 100 种张量操作，包括算术、线性代数、矩阵操作（转置、 索引、切片）、采样等在这里有详细的描述 这里。

这些操作可以在GPU上运行（通常速度比在CPU上快）。如果你使用的是Colab，请前往Runtime > Change runtime type > GPU以分配一个GPU。

默认情况下，张量在CPU上创建。我们需要显式地使用 .to 方法将张量移动到GPU（在检查GPU可用性之后）。请注意，跨设备复制大型张量在时间和内存方面都可能很昂贵！

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

尝试一下列表中的某些操作。 如果你熟悉 NumPy API，你会发现 Tensor API 的使用非常轻松。

标准的numpy_like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.]])

拼接张量 您可以使用 torch.cat 将一系列张量沿给定维度连接起来。 另见 torch.stack， 另一个张量拼接操作符，与 torch.cat 略有不同。

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.]])

算术运算

# This computes the matrix multiplication between two tensors. y1, y2, y3 will have the same value
# ``tensor.T`` returns the transpose of a tensor
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.]])

单元素张量 如果您有一个单元素张量，例如通过聚合张量的所有值为一个值，您可以使用 item() 将其转换为Python数值：

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

12.0 <class 'float'>

原地操作 将结果存储到操作数中的操作称为原地操作。它们由_后缀表示。 例如：x.copy_(y)，x.t_()，将会改变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

就地操作可以节省一些内存，但计算导数时可能会出现问题，因为它们会导致历史记录立即丢失。因此，建议避免使用就地操作。

---

Bridge with NumPy

CPU上的张量和NumPy数组可以共享其底层内存位置，修改一个将会改变另一个。

张量转NumPy数组

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.]

张量的变化会反映到NumPy数组中。

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

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

NumPy数组转Tensor

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

NumPy数组的变化会反映在张量中。

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.]