张量

Created On: Mar 24, 2017 | Last Updated: Jan 16, 2024 | Last Verified: Nov 05, 2024

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，我们使用张量对模型的输入和输出以及模型的参数进行编码。

Tensor类似于NumPy的ndarrays，不同之处是Tensor可以在GPU或其他专用硬件上运行以加速计算。如果你熟悉ndarrays，那么Tensor API会让你感觉得心应手。如果没有，请随着这个快速API演练一起学习。

import torch
import numpy as np

张量初始化

张量可以通过多种方式初始化。请看以下示例：

直接从数据中生成

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 数组生成

张量可以从 NumPy 数组创建（反之亦然 - 请参阅 与 NumPy 桥接)。

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

从另一张量生成:

新的张量会保留参数张量的属性（形状、数据类型），除非显式覆盖。

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([[0.1230, 0.3698],
        [0.1598, 0.7721]])

使用随机或常量值生成:

shape 是张量维度的元组。在以下函数中，它确定输出张量的维度。

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([[0.2401, 0.5999, 0.7977],
        [0.9621, 0.0340, 0.0267]])

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

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

---

张量属性

张量属性描述其形状、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，包括转置、索引、切片、数学运算、线性代数、随机采样等，详细描述请见 这里。

它们中的每一个都可以在GPU上运行（通常比在CPU上速度更快）。如果你使用的是Colab，可以通过编辑 > 笔记本设置分配一个GPU。

# We move our tensor to the GPU if available
if torch.cuda.is_available():
  tensor = tensor.to('cuda')
  print(f"Device tensor is stored on: {tensor.device}")

Device tensor is stored on: cuda:0

试试列表中的一些操作。如果您熟悉 NumPy 的 API，那么使用张量 API 会非常轻松。

标准的 numpy 风格的索引和切片:

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

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

连接张量 你可以使用``torch.cat``沿着给定维度连接一系列张量。另见`torch.stack <https://pytorch.org/docs/stable/generated/torch.stack.html>`__，这是与``torch.cat``稍有不同的另一个张量连接操作。

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.]])

张量相乘

# 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}")

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.]])

这会计算两个张量之间的矩阵乘法

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

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.]])

就地操作 后缀为``_``的操作是就地进行的。例如：x.copy_(y)、x.t_()``会改变``x。

print(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.]])

备注

就地操作可以节省一些内存，但在计算导数时可能会有问题，因为会立即丢失历史记录。因此，不建议使用它们。

---

与 NumPy 桥接

CPU 上的张量和 NumPy 数组可以共享它们的底层内存位置，改变其中一个会影响另一个。

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.]

张量中的更改会反映到 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 数组转张量

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

NumPy 数组中的更改会反映到张量中。

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.]