python機器學習pytorch 張量基礎教學

2022-10-14 14:01:02

正文

張量是一種特殊的資料結構，與陣列和矩陣非常相似。在 PyTorch 中，我們使用張量對模型的輸入和輸出以及模型的引數進行編碼。

張量類似於NumPy 的ndarray，除了張量可以在 GPU 或其他硬體加速器上執行。事實上，張量和 NumPy 陣列通常可以共用相同的底層記憶體，從而無需複製資料（請參閱Bridge with NumPy）。張量也針對自動微分進行了優化（我們將在稍後的Autograd 部分中看到更多相關內容）。如果您熟悉 ndarrays，那麼您對 Tensor API 會很快熟悉。

# 匯入需要的包
import torch
import numpy as np

1.初始化張量

張量可以以各種方式初始化。請看以下範例：

1.1 直接從列表資料初始化

張量可以直接從列表資料中建立。資料型別是自動推斷的。

# 建立python list 資料
data = [[1, 2],[3, 4]]
# 初始化張量
x_data = torch.tensor(data)

1.2 用 NumPy 陣列初始化

張量可以從 NumPy 陣列建立（反之亦然 - 請參閱Bridge with NumPy）。

# 建立numpy 陣列
np_array = np.array(data)
# from_numpy初始化張量
x_np = torch.from_numpy(np_array)

1.3 從另一個張量初始化

新張量保留原張量的屬性（形狀shape、資料型別datatype），除非顯式覆蓋。

# 建立和x_data （形狀shape、資料型別datatype）一樣的張量並全部初始化為1
x_ones = torch.ones_like(x_data) # retains the properties of x_data
print(f"Ones Tensor: n {x_ones} n")
# 建立和x_data （形狀shape）一樣的張量並隨機初始化，覆蓋其資料型別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 使用隨機值或常數值初始化

shape是張量維度的元組。在下面的函數中，它決定了輸出張量的維度。

# 定義形狀元組
shape = (2,3,)
# 隨機初始化
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、資料型別Datatype和儲存它們的裝置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.張量運算

這裡全面介紹了超過 100 種張量運算，包括算術、線性代數、矩陣操作（轉置、索引、切片）、取樣等。

這些操作中的每一個都可以在 GPU 上執行（通常以比 CPU 更高的速度）。

預設情況下，張量是在 CPU 上建立的。我們需要使用 .to方法明確地將張量移動到 GPU（在檢查 GPU 可用性之後）。請記住，跨裝置複製大張量在時間和記憶體方面可能會很昂貴！

# 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，您會發現 Tensor API 使用起來輕而易舉。

3.1 標準的類似 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 連線張量

您可以用來torch.cat沿給定維度連線一系列張量。另請參閱torch.stack，另一個與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 算術運算

# 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

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

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

12.0 <class 'float'>

3.5 In-place 操作

將結果儲存到運算元中的操作稱為In-place操作。它們由_字尾表示。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 操作可以節省一些記憶體，但在計算導數時可能會出現問題，因為會立即丟失歷史記錄。因此，不鼓勵使用它們。

4. 張量和NumPy 橋接

CPU 和 NumPy 陣列上的張量可以共用它們的底層記憶體位置，改變一個會改變另一個。

4.1 張量到 NumPy 陣列

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 陣列中。

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 陣列到張量

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

NumPy 陣列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機器學習pytorch 張量基礎教學的詳細內容，更多關於python機器學習pytorch張量的資料請關注it145.com其它相關文章！