一文读懂PyTorch张量基础

作者：Matthew Mayo, KDnuggets

翻译：和中华

校对：丁楠雅

本文约1000字，建议阅读5分钟。

本文介绍了PyTorch Tensor最基础的知识以及如何跟Numpy的ndarray互相转换。

本文介绍了PyTorch中的Tensor类，它类似于Numpy中的ndarray，它构成了在PyTorch中构建神经网络的基础。

我们已经知道张量到底是什么了，并且知道如何用Numpy的ndarray来表示它们，现在我们看看如何在PyTorch中表示它们。

自从Facebook在2017年初将PyTorch开源以来，它已经在机器学习领域取得了令人瞩目的成绩。它可能没有像TensorFlow那样被广泛采用 --- 它的最初发布时间早于PyTorch一年，背后有Google的支持，并且当神经网络工具迎来新的潮流时，它已经将自己确立为了金牌标准。但PyTorch在研究领域受到了广泛的关注，这种关注大部分来自与Torch本身的关系，以及它的动态计算图。

尽管最近我的注意力都在PyTorch上，但这篇文章并不是PyTorch的教程。它更多地是介绍PyTorch的Tensor类，这与Numpy的ndarray类似。

张量基础

让我们来看一下PyTorch的张量基础知识，从创建张量开始（使用Tensor类）：

import torch

# Create a Torch tensor

t = torch.Tensor([[1, 2, 3], [4, 5, 6]])

t

tensor([[ 1., 2., 3.],

[ 4., 5., 6.]])

你可以使用两种方式转置一个张量：

# Transpose

t.t()

# Transpose (via permute)

t.permute(-1,0)

两者都会产生如下输出结果：

tensor([[ 1., 4.],

[ 2., 5.],

[ 3., 6.]])

请注意，两种方式都不会导致原始张量的改变。

用view重新塑造张量：

# Reshape via view

t.view(3,2)

tensor([[ 1., 2.],

[ 3., 4.],

[ 5., 6.]])

另一个例子：

# View again...

t.view(6,1)

tensor([[ 1.],

[ 2.],

[ 3.],

[ 4.],

[ 5.],

[ 6.]])

很明显，Numpy所遵循的数学约定延续到了PyTorch张量中（我具体指的是行和列的标记符号）。

创建一个张量并用零填充（你可以用ones()来完成类似的操作）：

# Create tensor of zeros

t = torch.zeros(3, 3)

t

tensor([[ 0., 0., 0.],

[ 0., 0., 0.],

[ 0., 0., 0.]])

从正态分布中随机取数并创建张量：

# Create tensor from normal distribution randoms

t = torch.randn(3, 3)

t

tensor([[ 1.0274, -1.3727, -0.2196],

[-0.7258, -2.1236, -0.8512],

[ 0.0392, 1.2392, 0.5460]])

Tensor对象的形状、维度和数据类型：

# Some tensor info

print('Tensor shape:', t.shape) # t.size() gives the same

print('Number of dimensions:', t.dim())

print('Tensor type:', t.type()) # there are other types

Tensor shape: torch.Size([3, 3])

Number of dimensions: 2

Tensor type: torch.FloatTensor

除了在数学概念上，ndarray和Tensor在编程和实例化上也有相似之处。

你可以像切片ndarrays一样切片PyTorch张量，任何使用其他Python结构的人应该都熟悉这一点：

# Slicing

t = torch.Tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# Every row, only the last column

print(t[:, -1])

# First 2 rows, all columns

print(t[:2, :])

# Lower right most corner

print(t[-1:, -1:])

tensor([ 3., 6., 9.])

tensor([[ 1., 2., 3.],

[ 4., 5., 6.]])

tensor([[ 9.]])

PyTorch张量和Numpy ndarray之间转换

你可以轻松地从ndarray创建张量，反之亦然。这些操作很快，因为两个结构的数据将共享相同的内存空间，因此不涉及复制。这显然是一种有效的方法。

# Numpy ndarray PyTorch tensor

import numpy as np

# ndarray to tensor

t = torch.from_numpy(a)

print(a)

print(t)

print(type(a))

print(type(t))

tensor([[-0.5219, -1.1158, 1.2693, 0.1045, -1.0289],

[-0.7871, -0.0535, -0.6582, 0.1881, -0.5280],

[-0.4168, 0.8203, -2.4670, 0.6032, -1.6978]], dtype=torch.float64)

# tensor to ndarray

t = torch.randn(3, 5)

a = t.numpy()

print(t)

print(a)

print(type(t))

print(type(a))

tensor([[-0.1746, -2.4118, 0.4688, -0.0517, -0.2706],

[-0.8402, -0.3289, 0.4170, 1.9131, -0.8601],

[-0.6688, -0.2069, -0.8106, 0.8582, -0.0450]])

基本张量操作

这里有几个张量操作，你可以将它与Numpy的实现进行比较。首先是叉积（cross product）：

# Compute cross product

t1 = torch.randn(4, 3)

t2 = torch.randn(4, 3)

t1.cross(t2)

tensor([[ 2.6594, -0.5765, 1.4313],

[ 0.4710, -0.3725, 2.1783],

[-0.9134, 1.6253, 0.7398],

[-0.4959, -0.4198, 1.1338]])

下面是矩阵的积：

# Compute matrix product

t = (torch.Tensor([[2, 4], [5, 10]]).mm(torch.Tensor([[10], [20]])))

t

tensor([[ 100.],

[ 250.]])

最后，对应元素的乘法：

# Elementwise multiplication

t = torch.Tensor([[1, 2], [3, 4]])

t.mul(t)

tensor([[ 1., 4.],

[ 9., 16.]])

关于GPU的一句话

PyTorch张量具有固有的GPU支持。指定使用GPU内存和CUDA内核来存储和执行张量计算非常简单；cuda软件包可以帮助确定GPU是否可用，并且该软件包的cuda方法为GPU分配了一个张量。

# Is CUDA GPU available?

# How many CUDA devices?

# Move to GPU

t.cuda()

译者简介

和中华，留德软件工程硕士。由于对机器学习感兴趣，硕士论文选择了利用遗传算法思想改进传统kmeans。目前在杭州进行大数据相关实践。加入数据派THU希望为IT同行们尽自己一份绵薄之力，也希望结交许多志趣相投的小伙伴。

转载须知

如需转载，请在开篇显著位置注明作者和出处（转自：数据派ID：datapi），并在文章结尾放置数据派醒目二维码。有原创标识文章，请发送【文章名称-待授权公众号名称及ID】至联系邮箱，申请白名单授权并按要求编辑。

发布后请将链接反馈至联系邮箱（见下方）。未经许可的转载以及改编者，我们将依法追究其法律责任。