Pytorch基础-tensor数据结构

Posted 2023-01-07

torch.Tensor 是一种包含单一数据类型元素的多维矩阵，类似于 numpy 的 array。 Tensor 可以使用 torch.tensor() 转换 Python 的 list 或序列数据生成，生成的是dtype 默认是 torch.FloatTensor。

• ​​torch.Tensor​​
• ​​Tensor 数据类型​​
• ​Tensor 的属性​

• ​​view 和 reshape 的区别​​

• ​​Tensor 与 ndarray​​
• ​创建 Tensor​

• ​​传入维度的方法​​

• ​​参考资料​​

torch.Tensor

​​torch.Tensor​​ 是一种包含单一数据类型元素的多维矩阵，类似于 numpy 的 ​​array​​​。
可以使用使用 torch.tensor() 方法将 python 的 list 或序列数据转换成 Tensor 数据，生成的是​​dtype​​​ 默认是 ​​torch.FloatTensor​​。

注意 ​​torch.tensor()​​​ 总是拷贝 data。如果你有一个 tensor data 并且仅仅想改变它的 ​​requires_grad​​​ 属性，可用 ​​requires_grad_()​​​ 或者 ​​detach()​​​ 来避免拷贝。如果你有一个 ​​numpy​​​ 数组并且想避免拷贝，请使用 ​​torch.as_tensor()​​。

1，指定数据类型的 tensor 可以通过传递参数 ​​torch.dtype​​​ 和/或者 ​​torch.device​​ 到构造函数生成：

注意为了改变已有的 tensor 的 torch.device 和/或者 torch.dtype, 考虑使用 ​​to()​​ 方法.

>>> torch.ones([2,3], dtype=torch.float64, device="cuda:0")
tensor([[1., 1., 1.],
        [1., 1., 1.]], device=cuda:0, dtype=torch.float64)
>>> torch.ones([2,3], dtype=torch.float32)
tensor([[1., 1., 1.],
        [1., 1., 1.]])

2，Tensor 的内容可以通过 Python 索引或者切片访问以及修改：

>>> matrix = torch.tensor([[2,3,4],[5,6,7]])
>>> print(matrix[1][2])
tensor(7)
>>> matrix[1][2] = 9
>>> print(matrix)
tensor([[2, 3, 4],
        [5, 6, 9]])

3，使用 ​​torch.Tensor.item()​​​ 或者 ​​int()​​ 方法从只有一个值的 Tensor中获取 Python Number：

>>> x = torch.tensor([[4.5]])
>>> x
tensor([[4.5000]])
>>> x.item()
4.5
>>> int(x)
4

4，Tensor可以通过参数 ​​requires_grad=True​​​ 创建, 这样 ​​torch.autograd​​ 会记录相关的运算实现自动求导：

>>> x = torch.tensor([[1., -1.], [1., 1.]], requires_grad=True)
>>> out = x.pow(2).sum()
>>> out.backward()
>>> x.grad
tensor([[ 2.0000, -2.0000],
 [ 2.0000,  2.0000]])

5，每一个 tensor都有一个相应的 ​​torch.Storage​​ 保存其数据。tensor 类提供了一个多维的、strided 视图, 并定义了数值操作。

Tensor 数据类型

Torch 定义了七种 CPU Tensor 类型和八种 GPU Tensor 类型：

​​torch.Tensor​​​ 是默认的 tensor 类型（​​torch.FloatTensor​​​）的简称，即 ​​32​​ 位浮点数数据类型。

Tensor 的属性

Tensor 有很多属性，包括数据类型、Tensor 的维度、Tensor 的尺寸。

• 数据类型：可通过改变 torch.tensor() 方法的 ​​dtype​​​ 参数值，来设定不同的 ​​Tensor​​ 数据类型。
• 维度：不同类型的数据可以用不同维度(dimension)的张量来表示。标量为 ​​0​​​ 维张量，向量为 ​​1​​​ 维张量，矩阵为 ​​2​​​ 维张量。彩色图像有 ​​rgb​​​ 三个通道，可以表示为 ​​3​​​ 维张量。视频还有时间维，可以表示为 ​​4​​​ 维张量，有几个中括号 ​​[​​ 维度就是几。可使用 ​​dim() 方法​​ 获取 ​​tensor​​ 的维度。
• 尺寸：可以使用 ​​shape属性​​​或者 ​​size()方法​​​查看张量在每一维的长度，可以使用 ​​view()方法​​​或者​​reshape() 方法​​​改变张量的尺寸。Pytorch 框架中四维张量形状的定义是 ​​(N, C, H, W)​​。

关于如何理解 Pytorch 的 Tensor Shape 可以参考 stackoverflow 上的这个 ​​回答​​。

样例代码如下：

matrix = torch.tensor([[[1,2,3,4],[5,6,7,8]],
                       [[5,4,6,7], [5,6,8,9]]], dtype = torch.float64)
print(matrix)               # 打印 tensor
print(matrix.dtype)     # 打印 tensor 数据类型
print(matrix.dim())     # 打印 tensor 维度
print(matrix.size())     # 打印 tensor 尺寸
print(matrix.shape)    # 打印 tensor 尺寸
matrix2 = matrix.view(4, 2, 2) # 改变 tensor 尺寸
print(matrix2)

程序输出结果如下：

view 和 reshape 的区别

• 两个方法都是用来改变 tensor 的 shape，view() 只适合对满足连续性条件（​​contiguous​​）的 tensor 进行操作，而 reshape() 同时还可以对不满足连续性条件的 tensor 进行操作。
• 在满足 tensor 连续性条件（​​contiguous​​​）时，a.reshape() 返回的结果与a.view() 相同，都不会开辟新内存空间；不满足 ​​contiguous​​​ 时， 直接使用 view() 方法会失败，​​reshape()​​ 依然有用，但是会重新开辟内存空间，不与之前的 tensor 共享内存，即返回的是 ”副本“（等价于先调用 ​​contiguous()​​​ 方法再使用 ​​view()​​​ 方法）。
  更多理解参考这篇​​文章​​

Tensor 与 ndarray

1，张量和 numpy 数组。可以用 ​​.numpy()​​​ 方法从 Tensor 得到 numpy 数组，也可以用 ​​torch.from_numpy​​​ 从 numpy 数组得到Tensor。这两种方法关联的 Tensor 和 numpy 数组是共享数据内存的。可以用张量的 ​​clone​​方法拷贝张量，中断这种关联。

arr = np.random.rand(4,5)
print(type(arr))
tensor1 = torch.from_numpy(arr)
print(type(tensor1))
arr1 = tensor1.numpy()
print(type(arr1))
"""
<class numpy.ndarray>
<class torch.Tensor>
<class numpy.ndarray>
"""

2，​​item()​​​ 方法和 ​​tolist()​​ 方法可以将张量转换成 Python 数值和数值列表

# item方法和tolist方法可以将张量转换成Python数值和数值列表
scalar = torch.tensor(5)  # 标量
s = scalar.item()
print(s)
print(type(s))

tensor = torch.rand(3,2)  # 矩阵
t = tensor.tolist()
print(t)
print(type(t))
"""
1.0
<class float>
[[0.8211846351623535, 0.20020723342895508], [0.011571824550628662, 0.2906131148338318]]
<class list>
"""

创建 Tensor

创建 tensor ，可以传入数据或者维度，torch.tensor() 方法只能传入数据，torch.Tensor() 方法既可以传入数据也可以传维度，强烈建议 tensor() 传数据，Tensor() 传维度，否则易搞混。

传入维度的方法

方法名	方法功能	备注
​​torch.rand(*sizes, out=None) → Tensor​​	返回一个张量，包含了从区间 ​​[0, 1)​​ 的均匀分布中抽取的一组随机数。张量的形状由参数sizes定义。	推荐
​​torch.randn(*sizes, out=None) → Tensor​​	返回一个张量，包含了从标准正态分布（均值为0，方差为1，即高斯白噪声）中抽取的一组随机数。张量的形状由参数sizes定义。	不推荐
​​torch.normal(means, std, out=None) → Tensor​​	返回一个张量，包含了从指定均值 ​​means​​​ 和标准差 ​​std​​​ 的离散正态分布中抽取的一组随机数。标准差 ​​std​​ 是一个张量，包含每个输出元素相关的正态分布标准差。	多种形式，建议看源码
​​torch.rand_like(a)​​	根据数据 ​​a​​ 的 shape 来生成随机数据	不常用
​​torch.randint(low=0, high, size)​​	生成指定范围(​​low, hight​​​)和 ​​size​​ 的随机整数数据	常用
​​torch.full([2, 2], 4)​​	生成给定维度，全部数据相等的数据	不常用
​​torch.arange(start=0, end, step=1, *, out=None)​​	生成指定间隔的数据	易用常用
​​torch.ones(*size, *, out=None)​​	生成给定 size 且值全为1 的矩阵数据	简单
​​zeros()/zeros_like()/eye()​​	全 ​​0​​ 的 tensor 和 对角矩阵	简单

样例代码：

>>> torch.rand([1,1,3,3])
tensor([[[[0.3005, 0.6891, 0.4628],
          [0.4808, 0.8968, 0.5237],
          [0.4417, 0.2479, 0.0175]]]])
>>> torch.normal(2, 3, size=(1, 4))
tensor([[3.6851, 3.2853, 1.8538, 3.5181]])
>>> torch.full([2, 2], 4)
tensor([[4, 4],
        [4, 4]])
>>> torch.arange(0,10,2)
tensor([0, 2, 4, 6, 8])
>>> torch.eye(3,3)
tensor([[1., 0., 0.],
        [0., 1., 0.],
        [0., 0., 1.]])

参考资料

• ​​PyTorch：view() 与 reshape() 区别详解​​
• ​​torch.rand和torch.randn和torch.normal和linespace()​​