什么是Pytorch？掌握Pytorch的基本元素操作运算操作

Posted 2022-10-12 黑马程序员官方

学习目标

• 了解什么是Pytorch
• 掌握Pytorch的基本元素操作
• 掌握Pytorch的基本运算操作

一、什么是Pytorch

• Pytorch是一个基于Numpy的科学计算包, 向它的使用者提供了两大功能.
  • 作为Numpy的替代者, 向用户提供使用GPU强大功能的能力.
  • 做为一款深度学习的平台, 向用户提供最大的灵活性和速度.

二、Pytorch的基本元素操作

• Tensors张量: 张量的概念类似于Numpy中的ndarray数据结构, 最大的区别在于Tensor可以利用GPU的加速功能.
• 我们使用Pytorch的时候, 常规步骤是先将torch引用进来, 如下所示:

from __future__ import print_function
import torch

• 创建矩阵的操作

创建一个没有初始化的矩阵:

x = torch.empty(5, 3)
print(x)

输出结果:

tensor([[2.4835e+27, 2.5428e+30, 1.0877e-19],
        [1.5163e+23, 2.2012e+12, 3.7899e+22],
        [5.2480e+05, 1.0175e+31, 9.7056e+24],
        [1.6283e+32, 3.7913e+22, 3.9653e+28],
        [1.0876e-19, 6.2027e+26, 2.3685e+21]])

创建一个有初始化的矩阵:

x = torch.rand(5, 3)
print(x)

输出结果:

tensor([[0.1368, 0.8070, 0.4567],
        [0.4369, 0.8278, 0.5552],
        [0.6848, 0.4473, 0.1031],
        [0.5308, 0.9194, 0.2761],
        [0.0484, 0.9941, 0.2227]])

• 对比有无初始化的矩阵: 当声明一个未初始化的矩阵时, 它本身不包含任何确切的值. 当创建一个未初始化的矩阵时, 分配给矩阵的内存中有什么数值就赋值给了这个矩阵, 本质上是毫无意义的数据.

创建一个全零矩阵并可指定数据元素的类型为long

x = torch.zeros(5, 3, dtype=torch.long)
print(x)

输出结果:

tensor([[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]])

直接通过数据创建张量

x = torch.tensor([2.5, 3.5])
print(x)

输出结果:

tensor([2.5000, 3.3000])

通过已有的一个张量创建相同尺寸的新张量

# 利用news_methods方法得到一个张量
x = x.new_ones(5, 3, dtype=torch.double)
print(x)

# 利用randn_like方法得到相同张量尺寸的一个新张量, 并且采用随机初始化来对其赋值
y = torch.randn_like(x, dtype=torch.float)
print(y)

输出结果:

tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], dtype=torch.float64)

tensor([[-0.1497, -0.5832, -0.3805],
        [ 0.9001,  2.0637,  1.3299],
        [-0.8813, -0.6579, -0.9135],
        [-0.1374,  0.1000, -0.9343],
        [-1.1278, -0.9140, -1.5910]])

得到张量的尺寸:

print(x.size())

输出结果:

torch.Size([5, 3])

• 注意:
  • torch.Size函数本质上返回的是一个tuple, 因此它支持一切元组的操作.

三、Pytorch的基本运算操作

• 加法操作:

y = torch.rand(5, 3)
print(x + y)

输出结果:

tensor([[ 1.6978, -1.6979,  0.3093],
        [ 0.4953,  0.3954,  0.0595],
        [-0.9540,  0.3353,  0.1251],
        [ 0.6883,  0.9775,  1.1764],
        [ 2.6784,  0.1209,  1.5542]])

• 第二种加法方式:

print(torch.add(x, y))

输出结果:

tensor([[ 1.6978, -1.6979,  0.3093],
        [ 0.4953,  0.3954,  0.0595],
        [-0.9540,  0.3353,  0.1251],
        [ 0.6883,  0.9775,  1.1764],
        [ 2.6784,  0.1209,  1.5542]])

• 第三种加法方式:

# 提前设定一个空的张量 result = torch.empty(5, 3) # 将空的张量作为加法的结果存储张量 torch.add(x, y, out=result) print(result)

tensor([[ 1.6978, -1.6979,  0.3093],
        [ 0.4953,  0.3954,  0.0595],
        [-0.9540,  0.3353,  0.1251],
        [ 0.6883,  0.9775,  1.1764],
        [ 2.6784,  0.1209,  1.5542]])

• 输出结果:

tensor([[ 1.6978, -1.6979,  0.3093],
        [ 0.4953,  0.3954,  0.0595],
        [-0.9540,  0.3353,  0.1251],
        [ 0.6883,  0.9775,  1.1764],
        [ 2.6784,  0.1209,  1.5542]])

• 第四种加法方式: in-place (原地置换)

y.add_(x)
print(y)

输出结果:

tensor([[ 1.6978, -1.6979,  0.3093],
        [ 0.4953,  0.3954,  0.0595],
        [-0.9540,  0.3353,  0.1251],
        [ 0.6883,  0.9775,  1.1764],
        [ 2.6784,  0.1209,  1.5542]])

• 注意:
  • 所有in-place的操作函数都有一个下划线的后缀.
  • 比如x.copy_(y), x.add_(y), 都会直接改变x的值.

用类似于Numpy的方式对张量进行操作:

print(x[:, 1])

输出结果:

tensor([-2.0902, -0.4489, -0.1441,  0.8035, -0.8341])

改变张量的形状: torch.view()

x = torch.randn(4, 4)
# tensor.view()操作需要保证数据元素的总数量不变
y = x.view(16)
# -1代表自动匹配个数
z = x.view(-1, 8)
print(x.size(), y.size(), z.size())

输出结果:

torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])

如果张量中只有一个元素, 可以用.item()将值取出, 作为一个python number

x = torch.randn(1)
print(x)
print(x.item())

输出结果:

tensor([-0.3531])
-0.3530771732330322

关于Torch Tensor和Numpy array之间的相互转换

• Torch Tensor和Numpy array共享底层的内存空间, 因此改变其中一个的值, 另一个也会随之被改变.

a = torch.ones(5)
print(a)

输出结果:

tensor([1., 1., 1., 1., 1.])

将Torch Tensor转换为Numpy array

b = a.numpy() print(b)

输出结果:

[1. 1. 1. 1. 1.]

对其中一个进行加法操作, 另一个也随之被改变:

a.add_(1) print(a) print(b)

输出结果:

tensor([2., 2., 2., 2., 2.]) [2. 2. 2. 2. 2.]

将Numpy array转换为Torch Tensor:

import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print(a)
print(b)

输出结果:

[2. 2. 2. 2. 2.] tensor([2., 2., 2., 2., 2.], dtype=torch.float64)

• 注意:
  • 所有在CPU上的Tensors, 除了CharTensor, 都可以转换为Numpy array并可以反向转换.

关于Cuda Tensor: Tensors可以用.to()方法来将其移动到任意设备上.

# 如果服务器上已经安装了GPU和CUDA
if torch.cuda.is_available():
    # 定义一个设备对象, 这里指定成CUDA, 即使用GPU
    device = torch.device("cuda")
    # 直接在GPU上创建一个Tensor
    y = torch.ones_like(x, device=device)
    # 将在CPU上面的x张量移动到GPU上面
    x = x.to(device)
    # x和y都在GPU上面, 才能支持加法运算
    z = x + y
    # 此处的张量z在GPU上面
    print(z)
    # 也可以将z转移到CPU上面, 并同时指定张量元素的数据类型
    print(z.to("cpu", torch.double))

• 输出结果:

tensor([0.6469], device='cuda:0')
tensor([0.6469], dtype=torch.float64)

小节总结

• 学习了什么是Pytorch.
  • Pytorch是一个基于Numpy的科学计算包, 作为Numpy的替代者, 向用户提供使用GPU强大功能的能力.
  • 做为一款深度学习的平台, 向用户提供最大的灵活性和速度.
• 学习了Pytorch的基本元素操作.
  • 矩阵的初始化:
    • torch.empty()
    • torch.rand(n, m)
    • torch.zeros(n, m, dtype=torch.long)
  • 其他若干操作:
    • x.new_ones(n, m, dtype=torch.double)
    • torch.randn_like(x, dtype=torch.float)
    • x.size()
• 学习了Pytorch的基本运算操作.
  • 加法操作:
    • x + y
    • torch.add(x, y)
    • torch.add(x, y, out=result)
    • y.add_(x)
  • 其他若干操作:
    • x.view()
    • x.item()
• 学习了Torch Tensor和Numpy Array之间的相互转换.
  • 将Torch Tensor转换为Numpy Array:
    • b = a.numpy()
  • 将Numpy Array转换为Torch Tensor:
    • b = torch.from_numpy(a)

注意: 所有才CPU上的Tensor, 除了CharTensor, 都可以转换为Numpy Array并可以反向转换.

• 学习了任意的Tensors可以用.to()方法来将其移动到任意设备上.
  • x = x.to(device)