Pytorch源码学习01

Pytorch源码学习01

• 什么是 PyTorch？
• 张量
• • 张量初始化
  • • 1. 直接生成张量
    • 2. 通过Numpy数组来生成张量
    • 3. 通过已有的张量来生成新的张量
    • 4. 通过指定数据维度来生成张量
  • 张量属性
  • 张量运算
  • • 1. 张量的索引和切片
    • 2. 张量的拼接
    • 3. 张量的乘积和矩阵乘法（==逐个元素相乘结果==）
    • 4.张量与张量的矩阵乘法（==矩阵运算==）
    • 5. 自动赋值运算
  • Tensor与Numpy的转化
  • • 1. 由张量变换为Numpy array数组
    • 2.修改张量的值，则Numpy array数组值也会随之改变。
    • 3.由Numpy array数组转为张量
  • 引用

什么是 PyTorch？

PyTorch 是基于以下两个目的而打造的python科学计算框架：
（1）无缝替换NumPy，并且通过利用GPU的算力来实现神经网络的加速。
（2）通过自动微分机制，来让神经网络的实现变得更加容易。

张量

张量如同数组和矩阵一样, 是一种特殊的数据结构。在PyTorch中, 神经网络的输入、输出以及网络的参数等数据, 都是使用张量来进行描述。

import torch
import numpy as np

张量初始化 1. 直接生成张量

由原始数据直接生成张量, 张量类型由原始数据类型决定。

data = [[1, 2], [3, 4]]
x_data = torch.tensor(data)

2. 通过Numpy数组来生成张量

由已有的Numpy数组来生成张量(反过来也可以由张量来生成Numpy数组)

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

3. 通过已有的张量来生成新的张量

新的张量将继承已有张量的数据属性(结构、类型), 也可以重新指定新的数据类型。

x_ones = torch.ones_like(x_data)   # 保留 x_data 的属性
x_rand = torch.rand_like(x_data, dtype=torch.float)   # 重写 x_data 的数据类型   int -> float

4. 通过指定数据维度来生成张量

shape是元组类型, 用来描述张量的维数, 下面3个函数通过传入shape来指定生成张量的维数。

shape = (2,3,)
rand_tensor = torch.rand(shape)
ones_tensor = torch.ones(shape)
zeros_tensor = torch.zeros(shape)

张量属性

从张量属性我们可以得到张量的维数、数据类型以及它们所存储的设备(CPU或GPU)。

tensor = torch.rand(3,4)
print(f"Shape of tensor: {tensor.shape}")  # 维数
print(f"Datatype of tensor: {tensor.dtype}")  # 数据类型
print(f"Device tensor is stored on: {tensor.device}") # 存储设备

张量运算

将运算在GPU上运行

# 判断当前环境GPU是否可用, 然后将tensor导入GPU内运行
if torch.cuda.is_available():
  tensor = tensor.to('cuda')

1. 张量的索引和切片

tensor = torch.ones(4, 4)
tensor[:,1] = 0            # 将第1列(从0开始)的数据全部赋值为0

2. 张量的拼接

通过torch.cat方法将一组张量按照指定的维度进行拼接, 也可以参考torch.stack方法。这个方法也可以实现拼接操作, 但和torch.cat稍微有点不同。

t1 = torch.cat([tensor, tensor, tensor], dim=1)

3. 张量的乘积和矩阵乘法（逐个元素相乘结果）

# 逐个元素相乘结果
print(f"tensor.mul(tensor): n {tensor.mul(tensor)} n")
# 等价写法:
print(f"tensor * tensor: n {tensor * tensor}")

4.张量与张量的矩阵乘法（矩阵运算）

print(f"tensor.matmul(tensor.T): n {tensor.matmul(tensor.T)} n")
# 等价写法:
print(f"tensor @ tensor.T: n {tensor @ tensor.T}")

5. 自动赋值运算

自动赋值运算通常在方法后有 _ 作为后缀, 例如:x.copy_(y), x.t_()操作会改变 x 的取值。

tensor.add_(5)

Tensor与Numpy的转化

张量和Numpy array数组在CPU上可以共用一块内存区域, 改变其中一个另一个也会随之改变。

1. 由张量变换为Numpy array数组

t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")
# 结果
t: tensor([1., 1., 1., 1., 1.])
n: [1. 1. 1. 1. 1.]

2.修改张量的值，则Numpy array数组值也会随之改变。

t.add_(1)
print(f"t: {t}")
print(f"n: {n}")
# 结果
t: tensor([2., 2., 2., 2., 2.])
n: [2. 2. 2. 2. 2.]

3.由Numpy array数组转为张量

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

引用

PyTorch 中文教程 & 文档.