一文读懂PyTorch张量基础(附代码)

2018 年 6 月 12 日 数据派THU

作者:Matthew Mayo, KDnuggets

翻译:和中华

校对:丁楠雅

本文约1000字,建议阅读5分钟。

本文介绍了PyTorch Tensor最基础的知识以及如何跟Numpy的ndarray互相转换。

本文介绍了PyTorch中的Tensor类,它类似于Numpy中的ndarray,它构成了在PyTorch中构建神经网络的基础。


我们已经知道张量到底是什么了,并且知道如何用Numpy的ndarray来表示它们,现在我们看看如何在PyTorch中表示它们。

 

自从Facebook在2017年初将PyTorch开源以来,它已经在机器学习领域取得了令人瞩目的成绩。它可能没有像TensorFlow那样被广泛采用 --- 它的最初发布时间早于PyTorch一年,背后有Google的支持,并且当神经网络工具迎来新的潮流时,它已经将自己确立为了金牌标准。但PyTorch在研究领域受到了广泛的关注,这种关注大部分来自与Torch本身的关系,以及它的动态计算图。


尽管最近我的注意力都在PyTorch上,但这篇文章并不是PyTorch的教程。它更多地是介绍PyTorch的Tensor类,这与Numpy的ndarray类似。

张量基础


让我们来看一下PyTorch的张量基础知识,从创建张量开始(使用Tensor类):

import torch

 

# Create a Torch tensor

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

t

 

 

tensor([[ 1.,  2.,  3.],

        [ 4.,  5.,  6.]])


你可以使用两种方式转置一个张量:

# Transpose

t.t()

 

# Transpose (via permute)

t.permute(-1,0)

两者都会产生如下输出结果:


tensor([[ 1.,  4.],

        [ 2.,  5.],

        [ 3.,  6.]])


请注意,两种方式都不会导致原始张量的改变。

 

用view重新塑造张量:


# Reshape via view

t.view(3,2)

 

 

tensor([[ 1.,  2.],

        [ 3.,  4.],

        [ 5.,  6.]])


另一个例子:

# View again...

t.view(6,1)

 

 

tensor([[ 1.],

        [ 2.],

        [ 3.],

        [ 4.],

        [ 5.],

        [ 6.]])


很明显,Numpy所遵循的数学约定延续到了PyTorch张量中(我具体指的是行和列的标记符号)。

 

创建一个张量并用零填充(你可以用ones()来完成类似的操作):

# Create tensor of zeros

t = torch.zeros(3, 3)

t

 

 

tensor([[ 0.,  0.,  0.],

        [ 0.,  0.,  0.],

        [ 0.,  0.,  0.]])


从正态分布中随机取数并创建张量:

# 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对象的形状、维度和数据类型:

# 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


除了在数学概念上,ndarray和Tensor在编程和实例化上也有相似之处。

 

你可以像切片ndarrays一样切片PyTorch张量,任何使用其他Python结构的人应该都熟悉这一点:


# Slicing

t = torch.Tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

 

# Every row, only the last column

print(t[:, -1])

 

# First 2 rows, all columns

print(t[:2, :])

 

# Lower right most corner

print(t[-1:, -1:])

 

 

tensor([ 3.,  6.,  9.])

tensor([[ 1.,  2.,  3.],

        [ 4.,  5.,  6.]])

tensor([[ 9.]])

PyTorch张量和Numpy ndarray之间转换


你可以轻松地从ndarray创建张量,反之亦然。这些操作很快,因为两个结构的数据将共享相同的内存空间,因此不涉及复制。这显然是一种有效的方法。

# Numpy ndarray <--> PyTorch tensor

import numpy as np

 

# ndarray to tensor

a = np.random.randn(3, 5)

t = torch.from_numpy(a)

print(a)

print(t)

print(type(a))

print(type(t))

 

 

[[-0.52192738 -1.11579634  1.26925835  0.10449378 -1.02894372]

 [-0.78707263 -0.05350072 -0.65815075  0.18810677 -0.52795765]

 [-0.41677548  0.82031861 -2.46699201  0.60320375 -1.69778546]]

tensor([[-0.5219, -1.1158,  1.2693,  0.1045, -1.0289],

        [-0.7871, -0.0535, -0.6582,  0.1881, -0.5280],

        [-0.4168,  0.8203, -2.4670,  0.6032, -1.6978]], dtype=torch.float64)

<class 'numpy.ndarray'>

<class 'torch.Tensor'>


# tensor to ndarray

t = torch.randn(3, 5)

a = t.numpy()

print(t)

print(a)

print(type(t))

print(type(a))

 

 

tensor([[-0.1746, -2.4118,  0.4688, -0.0517, -0.2706],

        [-0.8402, -0.3289,  0.4170,  1.9131, -0.8601],

        [-0.6688, -0.2069, -0.8106,  0.8582, -0.0450]])

[[-0.17455131 -2.4117854   0.4688457  -0.05168453 -0.2706456 ]

 [-0.8402392  -0.3289494   0.41703534  1.9130518  -0.86014426]

 [-0.6688193  -0.20693372 -0.8105542   0.8581988  -0.04502954]]

<class 'torch.Tensor'>

<class 'numpy.ndarray'>

基本张量操作


这里有几个张量操作,你可以将它与Numpy的实现进行比较。 首先是叉积(cross product):


# Compute cross product

t1 = torch.randn(4, 3)

t2 = torch.randn(4, 3)

t1.cross(t2)

 

 

tensor([[ 2.6594, -0.5765,  1.4313],

        [ 0.4710, -0.3725,  2.1783],

        [-0.9134,  1.6253,  0.7398],

        [-0.4959, -0.4198,  1.1338]])


下面是矩阵的积:

# Compute matrix product

t = (torch.Tensor([[2, 4], [5, 10]]).mm(torch.Tensor([[10], [20]])))

t

 

tensor([[ 100.],

        [ 250.]])


最后,对应元素的乘法:

# Elementwise multiplication

t = torch.Tensor([[1, 2], [3, 4]])

t.mul(t)

 

tensor([[  1.,   4.],

        [  9.,  16.]])


关于GPU的一句话

 

PyTorch张量具有固有的GPU支持。指定使用GPU内存和CUDA内核来存储和执行张量计算非常简单;cuda软件包可以帮助确定GPU是否可用,并且该软件包的cuda方法为GPU分配了一个张量。

# Is CUDA GPU available?

torch.cuda.is_available()

 

# How many CUDA devices?

torch.cuda.device_count()

 

# Move to GPU

t.cuda()


原文链接:https://www.kdnuggets.com/2018/05/pytorch-tensor-basics.html

译者简介

和中华,留德软件工程硕士。由于对机器学习感兴趣,硕士论文选择了利用遗传算法思想改进传统kmeans。目前在杭州进行大数据相关实践。加入数据派THU希望为IT同行们尽自己一份绵薄之力,也希望结交许多志趣相投的小伙伴。

翻译组招募信息

工作内容:需要一颗细致的心,将选取好的外文文章翻译成流畅的中文。如果你是数据科学/统计学/计算机类的留学生,或在海外从事相关工作,或对自己外语水平有信心的朋友欢迎加入翻译小组。

你能得到:定期的翻译培训提高志愿者的翻译水平,提高对于数据科学前沿的认知,海外的朋友可以和国内技术应用发展保持联系,THU数据派产学研的背景为志愿者带来好的发展机遇。

其他福利:来自于名企的数据科学工作者,北大清华以及海外等名校学生他们都将成为你在翻译小组的伙伴。


点击文末“阅读原文”加入数据派团队~

转载须知

如需转载,请在开篇显著位置注明作者和出处(转自:数据派ID:datapi),并在文章结尾放置数据派醒目二维码。有原创标识文章,请发送【文章名称-待授权公众号名称及ID】至联系邮箱,申请白名单授权并按要求编辑。

发布后请将链接反馈至联系邮箱(见下方)。未经许可的转载以及改编者,我们将依法追究其法律责任。



点击“阅读原文”拥抱组织

登录查看更多
6

相关内容

最新《自动微分手册》77页pdf
专知会员服务
100+阅读 · 2020年6月6日
一份循环神经网络RNNs简明教程,37页ppt
专知会员服务
172+阅读 · 2020年5月6日
Transformer文本分类代码
专知会员服务
116+阅读 · 2020年2月3日
专知会员服务
12+阅读 · 2019年11月23日
【书籍】深度学习框架:PyTorch入门与实践(附代码)
专知会员服务
163+阅读 · 2019年10月28日
【开源书】PyTorch深度学习起步,零基础入门(附pdf下载)
专知会员服务
110+阅读 · 2019年10月26日
开源书:PyTorch深度学习起步
专知会员服务
50+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
PyTorch & PyTorch Geometric图神经网络(GNN)实战
专知
81+阅读 · 2019年6月1日
从张量到自动微分:PyTorch入门教程
论智
9+阅读 · 2018年10月10日
PyTorch:60分钟入门学习
全球人工智能
13+阅读 · 2018年5月18日
教程 | 从头开始了解PyTorch的简单实现
机器之心
20+阅读 · 2018年4月11日
基于Numpy实现神经网络:反向传播
论智
5+阅读 · 2018年3月21日
手把手教 | 深度学习库PyTorch(附代码)
数据派THU
27+阅读 · 2018年3月15日
从基础概念到实现,小白如何快速入门PyTorch
机器之心
13+阅读 · 2018年2月26日
手把手教你由TensorFlow上手PyTorch(附代码)
数据派THU
5+阅读 · 2017年10月1日
教程 | 如何从TensorFlow转入PyTorch
机器之心
7+阅读 · 2017年9月30日
Interpretable Adversarial Training for Text
Arxiv
5+阅读 · 2019年5月30日
Deep Learning for Energy Markets
Arxiv
10+阅读 · 2019年4月10日
Arxiv
11+阅读 · 2018年5月13日
Arxiv
4+阅读 · 2018年3月23日
Arxiv
3+阅读 · 2017年12月18日
VIP会员
相关VIP内容
最新《自动微分手册》77页pdf
专知会员服务
100+阅读 · 2020年6月6日
一份循环神经网络RNNs简明教程,37页ppt
专知会员服务
172+阅读 · 2020年5月6日
Transformer文本分类代码
专知会员服务
116+阅读 · 2020年2月3日
专知会员服务
12+阅读 · 2019年11月23日
【书籍】深度学习框架:PyTorch入门与实践(附代码)
专知会员服务
163+阅读 · 2019年10月28日
【开源书】PyTorch深度学习起步,零基础入门(附pdf下载)
专知会员服务
110+阅读 · 2019年10月26日
开源书:PyTorch深度学习起步
专知会员服务
50+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
相关资讯
PyTorch & PyTorch Geometric图神经网络(GNN)实战
专知
81+阅读 · 2019年6月1日
从张量到自动微分:PyTorch入门教程
论智
9+阅读 · 2018年10月10日
PyTorch:60分钟入门学习
全球人工智能
13+阅读 · 2018年5月18日
教程 | 从头开始了解PyTorch的简单实现
机器之心
20+阅读 · 2018年4月11日
基于Numpy实现神经网络:反向传播
论智
5+阅读 · 2018年3月21日
手把手教 | 深度学习库PyTorch(附代码)
数据派THU
27+阅读 · 2018年3月15日
从基础概念到实现,小白如何快速入门PyTorch
机器之心
13+阅读 · 2018年2月26日
手把手教你由TensorFlow上手PyTorch(附代码)
数据派THU
5+阅读 · 2017年10月1日
教程 | 如何从TensorFlow转入PyTorch
机器之心
7+阅读 · 2017年9月30日
相关论文
Interpretable Adversarial Training for Text
Arxiv
5+阅读 · 2019年5月30日
Deep Learning for Energy Markets
Arxiv
10+阅读 · 2019年4月10日
Arxiv
11+阅读 · 2018年5月13日
Arxiv
4+阅读 · 2018年3月23日
Arxiv
3+阅读 · 2017年12月18日
Top
微信扫码咨询专知VIP会员