从零开始深度学习Pytorch笔记(2)——张量的创建(上)
共 3392字,需浏览 7分钟
·
2019-12-17 23:21
在该系列的上一篇文章中,我们完整实现了Pytorch的cpu和gpu版本的安装,如果你还没有安装Pytorch,戳这里:从零开始深度学习Pytorch笔记(1)——安装Pytorch
本文我们正式开始学习Pytorch,说起Pytorch,我们首先要聊到他的基本数据类型——张量(Tensor),就像我们聊到Numpy一定是先学习他的数据类型ndarray一样。
那张量到底是什么呢?
张量类似于Numpy中的ndarray,我们都知道深度学习的基础是神经网络结构,而在Pytorch中,张量是构建神经网络的基础。
比较重要的一点是张量可以在GPU上进行计算。
所以从本质上来说,PyTorch 是一个处理张量的库。一个张量是一个数字、向量、矩阵或任何 n 维数组。
下图分别展示了1维张量,2维张量和3维张量:
接下来我们看看如何创建张量。
我们导入pytorch和numpy
import torch
import numpy as np
我们可以看看张量的相关参数:
torch.tensor(data, dtype=None, device=None, requires_grad=False, pin_memory=False)
其中:
data: 数据,可以是list,numpy的ndarray
dtype: 数据类型,默认与data的类型一致
device: 所在设备,gpu/cpu
requires_grad: 是否需要梯度,因为神经网络结构经常会要求梯度
pin_memory: 是否存于锁页内存
使用Numpy创建张量
通过np创建ndarray,然后转化为张量,数据类型默认与data一致,这里是创建了一个3*3的全1张量:
arr = np.ones((3,3))
print("数据类型为:",arr.dtype)
t = torch.tensor(arr)
print(t)
如果你已经搭建了GPU环境,可以通过如下代码将张量创建在GPU上(创建需要几秒的等待时间):
arr = np.ones((3,3))
print("数据类型为:",arr.dtype)
t = torch.tensor(arr,device='cuda')
print(t)
还有一种通过Numpy创建张量的方法,是使用torch.from_numpy(ndarray)。
torch.from_numpy(ndarray)
我们可以看到,它只需要接受一个ndarray即可。
arr = np.array([[1,2,3],[4,5,6]])
t = torch.from_numpy(arr)
print(arr)
print(t)
但是要注意的一点是:从torch.from_numpy创建的tensor和ndarray共享内存,当修改其中一个的数据,另外一个也会被修改。
例如我们修改array的内容:
arr = np.array([[1,2,3],[4,5,6]])
t = torch.from_numpy(arr)
#修改array内容
arr[0,0] = 999
print(arr)
print(t)
或是我们修改张量的内容:
arr = np.array([[1,2,3],[4,5,6]])
t = torch.from_numpy(arr)
#修改tensor内容
t[0,0] = -888
print(arr)
print(t)
创建全0张量
我们可以通过torch.zeros()来创建全0张量:
zeros(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
其中:
size:为张量的形状
out:输出的张量
dtype: 数据类型
layout:内存中的布局形式,有strided,sparse_coo等
device:所在设备,gpu/cpu
requires_grad:是否需要梯度
t1 = torch.tensor([1,2,3])#创建一个t1张量,赋一个初始值
t = torch.zeros((2,3),out=t1)#将创建的t张量输出到t1
print(t,'\n',t1)
print(id(t),id(t1),id(t)==id(t1))
torch.zeros_like(input, dtype=None, layout=None, device=None, requires_grad=False)
会根据input形状创建全0张量,例如我们创建一个3*5的全0张量:input = torch.empty(3, 5)
t = torch.zeros_like(input)
print(t)
创建全1张量
全1张量的创建和全0张量的创建方式基本一致,使用如下方式创建:
torch.ones()
torch.ones_like()
根据数值创建张量
torch.full
torch.full(size, fill_value, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
其中的新出现参数:
fill_value: 填充的值
例如创建一个2*2的元素都是8的张量:
t = torch.full((2,2),8)
print(t)
torch.full_like()
torch.full_like(input, fill_value, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
input = torch.empty(3, 5)
t = torch.full_like(input,8)
print(t)
上面是根据input的形状创建了一个元素都为8的张量。
创建等差的1维张量
可以通过torch.arange()创建等差的一维张量:
arange(start=0, end, step=1, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
其中:
start:数列的起始值
end:数列的结束值,取不到,只能取到 end-1
step:公差(步长),默认为 1
t = torch.arange(1,9,2)
print(t)
创建等间距(均分)的1维张量
torch.linspace()
linspace(start, end, steps=100, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
其中:
steps:创建出的一维张量的元素个数
end:结束位置可以取到
t = torch.linspace(1,9,5)
print(t)
t = torch.linspace(1,9,7)
print(t)
创建对数均分的1维张量
torch.logspace()
logspace(start, end, steps=100, base=10.0, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
参数:
base: 对数函数的底,默认为10
t = torch.logspace(start=-5, end=10,steps=4)
print(t)
创建单位对角矩阵(2维张量)
torch.eye()
torch.eye(n, m=None, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
参数:
m:矩阵行数
n:矩阵列数
t = torch.eye(4)
print(t)
默认为方阵。
这些张量创建的方式你记住了么?