一文讀懂PyTorch張量基礎（附代碼）

本文介紹了PyTorch中的Tensor類，它相似於Numpy中的ndarray，它構成了在PyTorch中構建神經網絡的基礎。

咱們已經知道張量究竟是什麼了，而且知道如何用Numpy的ndarray來表示它們，如今咱們看看如何在PyTorch中表示它們。

自從Facebook在2017年初將PyTorch開源以來，它已經在機器學習領域取得了使人矚目的成績。它可能沒有像TensorFlow那樣被普遍採用 --- 它的最初發布時間早於PyTorch一年，背後有Google的支持，而且當神經網絡工具迎來新的潮流時，它已經將本身確立爲了金牌標準。但PyTorch在研究領域受到了普遍的關注，這種關注大部分來自與Torch自己的關係，以及它的動態計算圖。

儘管最近個人注意力都在PyTorch上，但這篇文章並非PyTorch的教程。它更多地是介紹PyTorch的Tensor類，這與Numpy的ndarray相似。

張量基礎

讓咱們來看一下PyTorch的張量基礎知識，從建立張量開始（使用Tensor類）：

 

import torch

# Create a Torch tensor

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

t

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

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

 

你可使用兩種方式轉置一個張量：

 

# Transpose

t.t()

# Transpose (via permute)

t.permute(-1,0)

 

二者都會產生以下輸出結果：

 

tensor([[ 1., 4.],

[ 2., 5.],

[ 3., 6.]])

 

請注意，兩種方式都不會致使原始張量的改變。

用view從新塑造張量：

# Reshape via view
t.view(3,2)

tensor([[ 1., 2.],

[ 3., 4.],

[ 5., 6.]])

另外一個例子：

# View again...

t.view(6,1)

tensor([[ 1.],

[ 2.],

[ 3.],

[ 4.],

[ 5.],

[ 6.]])

很明顯，Numpy所遵循的數學約定延續到了PyTorch張量中（我具體指的是行和列的標記符號）。

建立一個張量並用零填充（你能夠用ones()來完成相似的操做）：

# Create tensor of zeros

t = torch.zeros(3, 3)

t

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

[ 0., 0., 0.],

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

從正態分佈中隨機取數並建立張量：

 

# 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對象的形狀、維度和數據類型：

# 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

除了在數學概念上，ndarray和Tensor在編程和實例化上也有類似之處。

你能夠像切片ndarrays同樣切片PyTorch張量，任何使用其餘Python結構的人應該都熟悉這一點：