0tensor操做

函數	功能
Tensor(*sizes)	基礎構造函數
tensor(data,)	相似np.array的構造函數
ones(*sizes)	全1Tensor
zeros(*sizes)	全0Tensor
eye(*sizes)	對角線爲1，其餘爲0
arange(s,e,step)	從s到e，步長爲step
linspace(s,e,steps)	從s到e，均勻切分紅steps份
rand/randn(*sizes)	均勻/標準分佈
normal(mean,std)/uniform(from,to)	正態分佈/均勻分佈
randperm(m)	長度爲5隨機排列

建立tensor

這些建立方法均可以在建立的時候指定數據類型dtype和存放device(cpu/gpu)

查看tensor的形狀，tensor.shape等價於tensor.size()

import torch as t
# 用list的數據建立tensor
b = t.Tensor([[1,2,3],[4,5,6]])
b.tolist() # 把tensor轉爲list
b_size = b.size()
b.numel() # b中元素總個數，2*3，等價於b.nelement()
# 建立一個和b形狀同樣的tensor
c = t.Tensor(b_size)
# 建立一個元素爲2和3的tensor
d = t.Tensor((2, 3))
複製代碼

>>> torch.arange(0,10,1)
tensor([ 0.,  1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9.])
>>> torch.range(0,10,1)
tensor([  0.,   1.,   2.,   3.,   4.,   5.,   6.,   7.,   8.,   9.,
         10.])
複製代碼

Tensor類型

Data type	dtype	CPU tensor	GPU tensor
32-bit floating point	torch.float32 or torch.float	torch.FloatTensor	torch.cuda.FloatTensor
64-bit floating point	torch.float64 or torch.double	torch.DoubleTensor	torch.cuda.DoubleTensor
16-bit floating point	torch.float16 or torch.half	torch.HalfTensor	torch.cuda.HalfTensor
8-bit integer (unsigned)	torch.uint8	torch.ByteTensor	torch.cuda.ByteTensor
8-bit integer (signed)	torch.int8	torch.CharTensor	torch.cuda.CharTensor
16-bit integer (signed)	torch.int16 or torch.short	torch.ShortTensor	torch.cuda.ShortTensor
32-bit integer (signed)	torch.int32 or torch.int	torch.IntTensor	torch.cuda.IntTensor
64-bit integer (signed)	torch.int64 or torch.long	torch.LongTensor	torch.cuda.LongTensor

import torch as t
# 設置默認tensor，注意參數是字符串
t.set_default_tensor_type('torch.DoubleTensor')
a = t.Tensor(2,3)
a.dtype # 如今a是DoubleTensor,dtype是float64
# 恢復以前的默認設置
t.set_default_tensor_type('torch.FloatTensor')
t.zeros_like(a) #等價於t.zeros(a.shape,dtype=a.dtype,device=a.device)
t.zeros_like(a, dtype=t.int16) #能夠修改某些屬性

複製代碼

修改類型

>>> c = torch.tensor([3,4,5], dtype=torch.long)
>>> c
tensor([3, 4, 5])
>>> c.dtype
torch.int64


>>> a = torch.Tensor([2,3])
>>> a.dtype
torch.float32
>>> a.requires_grad
False
>>> a.int()
tensor([2, 3], dtype=torch.int32)
>>> a.short()
tensor([2, 3], dtype=torch.int16)
>>> a.type(torch.FloatTensor)
tensor([2., 3.])
>>> a.dtype
torch.float32
>>> a.long()# 爲何修改失敗
tensor([2, 3])
>>> a.dtype
torch.float32
>>> a.double()
tensor([2., 3.], dtype=torch.float64)

>>> b=torch.LongTensor([4,5])
>>> b
tensor([4, 5])
>>> b.dtype
torch.int64
複製代碼

逐元素操做

函數	功能
abs/sqrt/div/exp/fmod/log/pow..	絕對值/平方根/除法/指數/求餘/求冪..
cos/sin/asin/atan2/cosh..	相關三角函數
ceil/round/floor/trunc	上取整/四捨五入/下取整/只保留整數部分
clamp(input, min, max)	超過min和max部分截斷
sigmod/tanh..	激活函數

Tensor和Numpy

Tensor---->Numpy 可使用 data.numpy()，data爲Tensor變量

Numpy ----> Tensor 可使用torch.from_numpy(data)，data爲numpy變量

import numpy as np
a = np.ones([2, 3],dtype=np.float32)
b = t.from_numpy(a)
b = t.Tensor(a) # 也能夠直接將numpy對象傳入Tensor

c = b.numpy() # a, b, c三個對象共享內存

# 當numpy的數據類型和Tensor的類型不同的時候，數據會被複制，不會共享內存。
# 不論輸入的類型是什麼，t.tensor(a)都會進行數據拷貝，不會共享內存
複製代碼

自動求導

自動求導須要指定，默認建立的tensor不能求導

#在建立tensor的時候指定requires_grad
a = t.randn(3,4, requires_grad=True)
# 或者
a = t.randn(3,4).requires_grad_()
# 或者
a = t.randn(3,4)
a.requires_grad=True
複製代碼

tensor操做

Tensor attributes:

在tensor attributes中有三個類，分別爲torch.dtype, torch.device, 和 torch.layout

其中， torch.dtype 是展現 torch.Tensor 數據類型的類，pytorch 有八個不一樣的數據類型,下表是完整的 dtype 列表.

Torch.device 是表現 torch.Tensor被分配的設備類型的類，其中分爲’cpu’ 和 ‘cuda’兩種，若是設備序號沒有顯示則表示此 tensor 被分配到當前設備, 好比: 'cuda' 等同於 'cuda': X , X 爲torch.cuda.current _device() 返回值

咱們能夠經過 tensor.device 來獲取其屬性，同時能夠利用字符或字符+序號的方式來分配設備

經過字符串：
>>> torch.device('cuda:0')
device(type='cuda', index=0)
>>> torch.device('cpu')
device(type='cpu')
>>> torch.device('cuda') # 當前設備
device(type='cuda')

經過字符串和設備序號：
>>> torch.device('cuda', 0)
device(type='cuda', index=0)
>>> torch.device('cpu', 0)
device(type='cpu', index=0)
複製代碼

此外，cpu 和 cuda 設備的轉換使用 'to' 來實現：

>>> device_cpu = torch.device("cuda")  #聲明cuda設備
>>> device_cuda = torch.device('cuda')  #設備cpu設備
>>> data = torch.Tensor([1])
>>> data.to(device_cpu)  #將數據轉爲cpu格式
>>> data.to(device_cuda)   #將數據轉爲cuda格式
複製代碼

torch.layout 是表現 torch.Tensor 內存分佈的類，目前只支持 torch.strided

建立tensor

• 直接建立

torch.tensor(data, dtype=None, device=None,requires_grad=False)

data - 能夠是list, tuple, numpy array, scalar或其餘類型

dtype - 能夠返回想要的tensor類型

device - 能夠指定返回的設備

requires_grad - 能夠指定是否進行記錄圖的操做，默認爲False

須要注意的是，torch.tensor 老是會複製 data, 若是你想避免複製，可使 torch.Tensor. detach()，若是是從 numpy 中得到數據，那麼你能夠用 torch.from_numpy(), 注from_numpy() 是共享內存的

>>> torch.tensor([[0.1, 1.2], [2.2, 3.1], [4.9, 5.2]])
tensor([[ 0.1000,  1.2000],
        [ 2.2000,  3.1000],
        [ 4.9000,  5.2000]])
 
>>> torch.tensor([0, 1])  # Type inference on data
tensor([ 0,  1])
 
>>> torch.tensor([[0.11111, 0.222222, 0.3333333]],
                 dtype=torch.float64,
                 device=torch.device('cuda:0'))  # creates a torch.cuda.DoubleTensor
tensor([[ 0.1111,  0.2222,  0.3333]], dtype=torch.float64, device='cuda:0')
 
>>> torch.tensor(3.14159)  # Create a scalar (zero-dimensional tensor)
tensor(3.1416)
 
>>> torch.tensor([])  # Create an empty tensor (of size (0,))
tensor([])
複製代碼

• 從numpy中得到數據

torch.from_numpy(ndarry)

注：生成返回的tensor會和ndarry共享數據，任何對tensor的操做都會影響到ndarry, 反之亦然

>>> a = numpy.array([1, 2, 3])
>>> t = torch.from_numpy(a)
>>> t
tensor([ 1,  2,  3])
>>> t[0] = -1
>>> a
array([-1,  2,  3])
複製代碼

• 建立特定的tensor

根據數值要求：

torch.zeros(*sizes, out=None, ..)# 返回大小爲sizes的零矩陣 

torch.zeros_like(input, ..) # 返回與input相同size的零矩陣

torch.ones(*sizes, out=None, ..) #f返回大小爲sizes的單位矩陣

torch.ones_like(input, ..) #返回與input相同size的單位矩陣

torch.full(size, fill_value, …) #返回大小爲sizes,單位值爲fill_value的矩陣

torch.full_like(input, fill_value, …) 返回與input相同size，單位值爲fill_value的矩陣

torch.arange(start=0, end, step=1, …) #返回從start到end, 單位步長爲step的1-d tensor.

torch.linspace(start, end, steps=100, …)  #返回從start到end, 間隔中的插值數目爲steps的1-d tensor

torch.logspace(start, end, steps=100, …) #返回1-d tensor ，從10^start到10^end的steps個對數間隔
複製代碼

根據矩陣要求:

torch.eye(n, m=None, out=None,…) #返回2-D 的單位對角矩陣

torch.empty(*sizes, out=None, …) #返回被未初始化的數值填充，大小爲sizes的tensor

torch.empty_like(input, …) # 返回與input相同size,並被未初始化的數值填充的tensor
複製代碼

• 隨機採用生成:

torch.normal(mean, std, out=None)

torch.rand(*size, out=None, dtype=None, …) #返回[0,1]之間均勻分佈的隨機數值

torch.rand_like(input, dtype=None, …) #返回與input相同size的tensor, 填充均勻分佈的隨機數值

torch.randint(low=0, high, size,…) #返回均勻分佈的[low,high]之間的整數隨機值

torch.randint_like(input, low=0, high, dtype=None, …) #

torch.randn(*sizes, out=None, …) #返回大小爲size,由均值爲0，方差爲1的正態分佈的隨機數值

torch.randn_like(input, dtype=None, …)

torch.randperm(n, out=None, dtype=torch.int64) # 返回0到n-1的數列的隨機排列
複製代碼

操做tensor

基本操做：

Joining ops:

torch.cat(seq,dim=0,out=None) # 沿着dim鏈接seq中的tensor, 全部的tensor必須有相同的size或爲empty， 其相反的操做爲 torch.split() 和torch.chunk()
torch.stack(seq, dim=0, out=None) #同上

#注: .cat 和 .stack的區別在於 cat會增長現有維度的值,能夠理解爲續接，stack會新加增長一個維度，能夠
理解爲疊加
>>> a=torch.Tensor([1,2,3])
>>> torch.stack((a,a)).size()
torch.size(2,3)
>>> torch.cat((a,a)).size()
torch.size(6)
複製代碼

torch.gather(input, dim, index, out=None) #返回沿着dim收集的新的tensor
>> t = torch.Tensor([[1,2],[3,4]])
>> index = torch.LongTensor([[0,0],[1,0]])
>> torch.gather(t, 0, index) #因爲 dim=0,因此結果爲
| t[index[0, 0] 0]   t[index[0, 1] 1] |
| t[index[1, 0] 0]   t[index[1, 1] 1] |

對於3-D 的張量來講，能夠做爲

out[i][j][k] = input[index[i][j][k]][j][k]  # if dim == 0
out[i][j][k] = input[i][index[i][j][k]][k]  # if dim == 1
out[i][j][k] = input[i][j][index[i][j][k]]  # if dim == 2
複製代碼

clicing ops:

torch.split(tensor, split_size_or_sections, dim=0) #將tensor 拆分紅相應的組塊
torch.chunk(tensor, chunks, dim=0) #將tensor 拆分紅相應的組塊， 最後一塊會小一些若是不能整除的話#

#注：split和chunk的區別在於：
split的split_size_or_sections 表示每個組塊中的數據大小，chunks表示組塊的數量
>>> a = torch.Tensor([1,2,3])
>>> torch.split(a,1)
(tensor([1.]), tensor([2.]), tensor([3.]))
>>> torch.chunk(a,1)
(tensor([ 1., 2., 3.]),)
複製代碼

Indexing ops:

torch.index_select(input, dim, index, out=None) #返回沿着dim的指定tensor, index需爲longTensor類型，不共用內存

torch.masked_select(input, mask, out=None) #根據mask來返回input的值其爲1-D tensor. Mask爲ByteTensor, true返回，false不返回，返回值不共用內存
>>> x = torch.randn(3, 4)
>>> x
tensor([[ 0.3552, -2.3825, -0.8297,  0.3477],
        [-1.2035,  1.2252,  0.5002,  0.6248],
        [ 0.1307, -2.0608,  0.1244,  2.0139]])
>>> mask = x.ge(0.5)
>>> mask
tensor([[ 0,  0,  0,  0],
        [ 0,  1,  1,  1],
        [ 0,  0,  0,  1]], dtype=torch.uint8)
>>> torch.masked_select(x, mask)
tensor([ 1.2252,  0.5002,  0.6248,  2.0139])
複製代碼

Mutation ops:

torch.transpose(input, dim0, dim1, out=None) #返回dim0和dim1交換後的tensor
torch.t(input, out=None) #專爲2D矩陣的轉置，是transpose的便捷函數

torch.squeeze(input, dim, out=None)  #默認移除全部size爲1的維度，當dim指定時，移除指定size爲1的維度. 返回的tensor會和input共享存儲空間，因此任何一個的改變都會影響另外一個
torch.unsqueeze(input, dim, out=None) #擴展input的size, 如 A x B 變爲 1 x A x B 

torch.reshape(input, shape) #返回size爲shape具備相同數值的tensor, 注意 shape=(-1,)這種表述，-1表示任意的。
#注 reshape(-1,)
>>> a=torch.Tensor([1,2,3,4,5]) #a.size 是 torch.size(5)
>>> b=a.reshape(1,-1)  #表示第一維度是1，第二維度按a的size填充滿
>>> b.size()
torch.size([1,5])

torch.where(condition,x,y) #根據condition的值來相應x,y的值，true返回x的值，false返回y的值，造成新的tensor

torch.unbind(tensor, dim=0) #返回tuple 解除指定的dim的綁定,至關於按指定dim拆分
>>> a=torch.Tensor([[1,2,3],[2,3,4]])
>>> torch.unbind(a,dim=0)
(torch([1,2,3]),torch([2,3,4])) # 將一個(2,3) 分爲兩個(3)

torch.nonzero(input, out=None) # 返回非零值的索引， 每一行都是一個非零值的索引值
>>> torch.nonzero(torch.tensor([1, 1, 1, 0, 1]))
tensor([[ 0],
        [ 1],
        [ 2],
        [ 4]])
>>> torch.nonzero(torch.tensor([[0.6, 0.0, 0.0, 0.0],
                                [0.0, 0.4, 0.0, 0.0],
                                [0.0, 0.0, 1.2, 0.0],
                                [0.0, 0.0, 0.0,-0.4]]))
tensor([[ 0,  0],
        [ 1,  1],
        [ 2,  2],
        [ 3,  3]])
複製代碼

Tensor操做

• 點對點操做

三角函數：

torch.abs(input, out=None)
torch.acos(input, out=None)
torch.asin(input, out=None)
torch.atan(input, out=None)
torch.atan2(input, inpu2, out=None) 
torch.cos(input, out=None)
torch.cosh(input, out=None)
torch.sin(input, out=None)
torch.sinh(input, out=None)
torch.tan(input, out=None)
torch.tanh(input, out=None)
複製代碼

基本運算，加減乘除

Torch.add(input, value, out=None)
          .add(input, value=1, other, out=None)
          .addcdiv(tensor, value=1, tensor1, tensor2, out=None)
          .addcmul(tensor, value=1, tensor1, tensor2, out=None)
torch.div(input, value, out=None)
         .div(input, other, out=None)
torch.mul(input, value, out=None)
        .mul(input, other, out=None)
複製代碼

對數運算：

torch.log(input, out=None)  # y_i=log_e(x_i)
torch.log1p(input, out=None)  #y_i=log_e(x_i+1)
torch.log2(input, out=None)   #y_i=log_2(x_i)
torch.log10(input,out=None)  #y_i=log_10(x_i)
複製代碼

冪函數：

torch.pow(input, exponent, out=None)  # y_i=input^(exponent)
複製代碼

指數運算

torch.exp(tensor, out=None)    #y_i=e^(x_i)
torch.expm1(tensor, out=None)   #y_i=e^(x_i) -1
複製代碼

截斷函數

torch.ceil(input, out=None)   #返回向正方向取得最小整數
torch.floor(input, out=None)  #返回向負方向取得最大整數

torch.round(input, out=None)  #返回相鄰最近的整數，四捨五入

torch.trunc(input, out=None)  #返回整數部分數值
torch.frac(tensor, out=None)  #返回小數部分數值

torch.fmod(input, divisor, out=None)  #返回input/divisor的餘數
torch.remainder(input, divisor, out=None)  #同上
複製代碼

其餘運算

torch.erf(tensor， out=None)
 
torch.erfinv(tensor, out=None)
 
torch.sigmoid(input, out=None)
 
torch.clamp(input, min, max out=None)  #返回 input<min,則返回min, input>max,則返回max,其他返回input

torch.neg(input, out=None) #out_i=-1*(input)

torch.reciprocal(input, out=None)  # out_i= 1/input_i

torch.sqrt(input, out=None)  # out_i=sqrt(input_i)
torch.rsqrt(input, out=None) #out_i=1/(sqrt(input_i))

torch.sign(input, out=None)  #out_i=sin(input_i)  大於0爲1，小於0爲-1

torch.lerp(start, end, weight, out=None)
複製代碼

• 降維操做

torch.argmax(input, dim=None, keepdim=False) #返回最大值排序的索引值
torch.argmin(input, dim=None, keepdim=False)  #返回最小值排序的索引值

torch.cumprod(input, dim, out=None)  #y_i=x_1 * x_2 * x_3 *…* x_i
torch.cumsum(input, dim, out=None)  #y_i=x_1 + x_2 + … + x_i

torch.dist(input, out, p=2)       #返回input和out的p式距離
torch.mean()                      #返回平均值
torch.sum()                       #返回總和
torch.median(input)               #返回中間值
torch.mode(input)                 #返回衆數值
torch.unique(input, sorted=False) #返回1-D的惟一的tensor,每一個數值返回一次.
>>> output = torch.unique(torch.tensor([1, 3, 2, 3], dtype=torch.long))
>>> output
tensor([ 2,  3,  1])

torch.std(  #返回標準差)
torch.var() #返回方差

torch.norm(input, p=2) #返回p-norm的範式
torch.prod(input, dim, keepdim=False) #返回指定維度每一行的乘積
複製代碼

• 對比操做：

torch.eq(input, other, out=None)  #按成員進行等式操做，相同返回1
torch.equal(tensor1, tensor2) #若是tensor1和tensor2有相同的size和elements，則爲true
>>> torch.eq(torch.tensor([[1, 2], [3, 4]]), torch.tensor([[1, 1], [4, 4]]))
tensor([[ 1,  0],
        [ 0,  1]], dtype=torch.uint8)
>>> torch.eq(torch.tensor([[1, 2], [3, 4]]), torch.tensor([[1, 1], [4, 4]]))
tensor([[ 1,  0],
        [ 0,  1]], dtype=torch.uint8)

torch.ge(input, other, out=None)   # input>= other
torch.gt(input, other, out=None)   # input>other
torch.le(input, other, out=None)    # input=<other
torch.lt(input, other, out=None)    # input<other
torch.ne(input, other, out=None)  # input != other 不等於

torch.max()                        # 返回最大值
torch.min()                        # 返回最小值
torch.isnan(tensor) #判斷是否爲’nan’
torch.sort(input, dim=None, descending=False, out=None) #對目標input進行排序
torch.topk(input, k, dim=None, largest=True, sorted=True, out=None)  #沿着指定維度返回最大k個數值及其索引值
torch.kthvalue(input, k, dim=None, deepdim=False, out=None) #沿着指定維度返回最小k個數值及其索引值
複製代碼

• 頻譜操做

torch.fft(input, signal_ndim, normalized=False)
torch.ifft(input, signal_ndim, normalized=False)
torch.rfft(input, signal_ndim, normalized=False, onesided=True)
torch.irfft(input, signal_ndim, normalized=False, onesided=True)
torch.stft(signa, frame_length, hop, …)
複製代碼

• 其餘操做：

torch.cross(input, other, dim=-1, out=None)  #叉乘(外積)

torch.dot(tensor1, tensor2)  #返回tensor1和tensor2的點乘

torch.mm(mat1, mat2, out=None) #返回矩陣mat1和mat2的乘積

torch.eig(a, eigenvectors=False, out=None) #返回矩陣a的特徵值/特徵向量 

torch.det(A)  #返回矩陣A的行列式

torch.trace(input) #返回2-d 矩陣的跡(對對角元素求和)

torch.diag(input, diagonal=0, out=None) #

torch.histc(input, bins=100, min=0, max=0, out=None) #計算input的直方圖

torch.tril(input, diagonal=0, out=None)  #返回矩陣的下三角矩陣，其餘爲0

torch.triu(input, diagonal=0, out=None) #返回矩陣的上三角矩陣，其餘爲0
複製代碼

Tips:

• 獲取python number:

因爲pytorch 0.4後，python number的獲取統一經過 .item()方式實現：

>>> a = torch.Tensor([1,2,3])
>>> a[0]   #直接取索引返回的是tensor數據
tensor(1.)
>>> a[0].item()  #獲取python number
1
複製代碼

• tensor設置

判斷:

torch.is_tensor()  #若是是pytorch的tensor類型返回true
torch.is_storage() # 若是是pytorch的storage類型返回ture
複製代碼

這裏還有一個小技巧，若是須要判斷tensor是否爲空，能夠以下

>>> a=torch.Tensor()
>>> len(a)
0
>>> len(a) is 0
True
複製代碼

設置: 經過一些內置函數，能夠實現對tensor的精度, 類型，print打印參數等進行設置

torch.set_default_dtype(d)  #對torch.tensor() 設置默認的浮點類型

torch.set_default_tensor_type() # 同上，對torch.tensor()設置默認的tensor類型
>>> torch.tensor([1.2, 3]).dtype           # initial default for floating point is torch.float32
torch.float32
>>> torch.set_default_dtype(torch.float64)
>>> torch.tensor([1.2, 3]).dtype           # a new floating point tensor
torch.float64
>>> torch.set_default_tensor_type(torch.DoubleTensor)
>>> torch.tensor([1.2, 3]).dtype    # a new floating point tensor
torch.float64

torch.get_default_dtype() #得到當前默認的浮點類型torch.dtype

torch.set_printoptions(precision=None, threshold=None, edgeitems=None, linewidth=None, profile=None）#)
## 設置printing的打印參數
複製代碼