導語
深度學習框架Pytorch發展勢頭驚人，這點小編也深有體會，翻翻Github上深度學習的開源代碼，發現用Pytorch真的多了很多，因此小編最近也正在入坑Pytorch，順便寫寫文章作些總結。認真看完這篇文章，你將收穫：python
- 理解Tensor的建立
- 理解Tensor的加速
- 理解Tensor的經常使用屬性
- 理解Tensor的經常使用方法
Tensor建立
咱們應該都知道Numpy是支持大量維度數組與矩陣運算的經常使用擴展庫。可是對於計算圖，深度學習或者梯度，Numpy彷佛真的有心無力，由於它的計算沒法像Tensor同樣在GPU上加速。今天咱們就一塊兒來談談Pytorch最基本的概念Tensor。數組
Tensor是n維的數組，在概念上與numpy數組是同樣的，不一樣的是Tensor能夠跟蹤計算圖和計算梯度。框架
1.從Numpy中建立函數
import torch import numpy as np numpy_array= np.array([1,2,3]) torch_tensor1 = torch.from_numpy(numpy_array) torch_tensor2 = torch.Tensor(numpy_array) torch_tensor3 = torch.tensor(numpy_array)
值得注意的是torch.Tensor()是默認張量類型torch.FloatTensor()的別名，就是說返回torch.Tensor()返回的是Float數據類型。其實咱們也能夠修改其默認的數據類型：學習
torch.set_default_tensor_type(torch.DoubleTensor)
而torch.tensor()則會根據輸入數據類型生成相應的torch.LongTensor、torch.FloatTensor和torch.DoubleTensor。code
固然，咱們也能夠經過numpy()把Tensor轉換爲numpy類型內存
numpy_array = torch_tensor1.numpy() # 若是tensor在CPU上 numpy_array = torch_tensor1.cpu.numpy() # 若是tensor在GPU上 print(type(numpy_array)) #輸出 ： <class 'numpy.ndarray'>
注意，若是Tensor在GPU上，則須要使用.cpu()先將GPU的Tensor轉換到cpu上。深度學習
2.從Python內置類型中建立it
lst = [1,2,3] torch_tensor1 = torch.tensor(a) tp = (1,2,3) torch_tensor2 = torch.tensor(a1)
3.其餘方式class
# 建立相同元素的Tensor torch_tensor1 = torch.full([2,3],2) # 建立全爲1的Tensor torch_tensor2 = torch.ones([2,3]) # 建立全爲0的Tensor torch_tensor3 = torch.zeors([2,3]) # 建立對角陣的Tensor torch_tensor4 = torch.eye(3) # 在區間[1,10]中隨機建立Tensor torch_tensor5 = torch.randint(1,10,[2,2]) # 等等...
建立Tensor時候也可指定數據類型和所存儲的設備
torch_tensor= torch.zeros([2,3],dtype=torch.float64,device=torch.device('cuda:0'))
torch_tensor.dtype #torch.float64
torch_tensor.device #cuda:0
torch_tensor.is_cuda #True
Tensor加速
咱們可使用如下兩種方式使得Tensor在GPU上加速。
第一種方式是定義cuda數據類型。
dtype = torch.cuda.FloatTensor gpu_tensor = torch.randn(1,2).type(dtype) #把Tensor轉換爲cuda數據類型
第二種方式是直接將Tensor放到GPU上(推薦)。
gpu_tensor = torch.randn(1,2).cuda(0)#把Tensor直接放在第一個GPU上 gpu_tensor = torch.randn(1,2).cuda(1)#把Tensor直接放在第二個GPU上
而將Tensor放在CPU上也很簡單。
cpu_tensor = gpu_tensor.cpu()
Tensor經常使用屬性
1.查看Tensor類型屬性
tensor1 = torch.ones([2,3]) tensor1.dtype # torch.float32
2.查看Tensor尺寸屬性
tensor1.shape # 尺寸 tenosr1.ndim #維度
3.查看Tensor是否存儲在GPU上
tensor1.is_cuda #False
4.查看Tensor存儲設備
tensor1.device # cpu tensor1.cuda(0) tensor1.device # cuda:0
5.查看Tensor梯度計算
tensor1.grad
Tensor經常使用方法
1.torch.squeeze()：刪除值爲1的維度並返回Tensor
tensor1 = torch.ones([2,1,3]) torch_tensor1.size() #torch.Size([2, 1, 3]) tensor2=torch.squeeze(tensor1) print(tensor2.size())#torch.Size([2, 3])
從例子中能夠看到Tensor的維度從原來的[2,1,3]變成[2,3],值爲1的維度被刪除。
2.torch.Tensor.permute()置換Tensor維度並返回新視圖。
tensor1 = torch.ones([2,1,3]) print(tensor1.size()) # torch.Size([2, 1, 3]) tensor2 = tensor1.permute(2,1,0) # 0,1,2-> 2,1,0 print(tensor2.size()) # torch.Size([3, 1, 2])
從例子中能夠看到，Tensor將本來的第一個維度值爲2，第2維度值爲3，置換後分別變成3和2.
3.torch.Tensor.expand()：把值爲1的維度進行擴展，擴展的Tensor不會分配新的內存，只是原來的基礎上建立新的視圖並返回。
>>>tensor1 = torch.tensor([[3],[2]])
>>>tensor2 = tensor1.expand(2,2)
>>>tensor1.size()
torch.Size([2, 1])
>>>tensor2
tensor([[3, 3],
[2, 2]])
>>>tensor2.size()
torch.Size([2, 2])
從例子中能夠看到，本來Tensor的維度是(2,1)，由於該函數是對值爲1的維度進行擴展，因此能夠擴展爲(2,2),(2,3)等，可是要注意的是保持非1值的維度不變。
4.torch.Tensor.repeat()：沿着某個維度的Tensor進行重複，和expand()不一樣的是，該函數複製本來的數據。
>>>tensor1 = torch.tensor([[3],[2]])
>>>tensor1.size()
torch.Size([2, 1])
>>>tensor2=tensor1.repeat(4,2)
>>>tensor2.size()
torch.Size([8, 2])
>>>tensor2
tensor([[3, 3],
[2, 2],
[3, 3],
[2, 2],
[3, 3],
[2, 2],
[3, 3],
[2, 2]])
例子中的tensor1維度是(2,1)，tensor1.repeat(4,2)，這是對第0維度和第1維度的Tensor分別重複4次和2次，因此repeat後維度變成了(8,2)。再看下面的例子。
>>>tensor1 = torch.tensor([[2,1]])
>>>tensor1.size()
torch.Size([1, 2])
>>>tensor2=tensor1.repeat(2,2,1)
>>>tensor2.size()
torch.Size([2,2,2])
>>>tensor2
tensor([[[2, 1],
[2, 1]],
[[2, 1],
[2, 1]]])
例子中的tensor1維度是(1,2)，tensor1.repeat(2,2,1)，此時前者跟後者的維度對應不上，此時能夠理解爲tensor1把維度改寫爲(1,1,2)，再tensor1.repeat(2,2,1)，tensor1第0,1,2的維度的Tensor分別重複1次，1次，2次，repeat後Tensor維度爲(2,2,2)。
公衆號：CVpython，專一於分享Python和計算機視覺，咱們堅持原創，不按期更新，但願文章對你有幫助，快點掃碼關注吧。
