Tensor:Pytorch神经网络界的Numpy

Posted 李元静

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Tensor:Pytorch神经网络界的Numpy相关的知识,希望对你有一定的参考价值。


Tensor

Tensor,它可以是0维、一维以及多维的数组,你可以将它看作为神经网络界的Numpy,它与Numpy相似,二者可以共享内存,且之间的转换非常方便。

但它们也不相同,最大的区别就是Numpy会把ndarray放在CPU中进行加速运算,而由Torch产生的Tensor会放在GPU中进行加速运算。

对于Tensor,从接口划分,我们大致可分为2类:

  1. torch.function:如torch.sum、torch.add等。
  2. tensor.function:如tensor.view、tensor.add等。

而从是否修改自身来划分,会分为如下2类:

  1. 不修改自身数据,如x.add(y),x的数据不变,返回一个新的Tensor。
  2. 修改自身数据,如x.add_(y),运算结果存在x中,x被修改。

简单的理解就是方法名带不带下划线的问题。

现在,我们来实现2个数组对应位置相加,看看其效果就近如何:

import torch

x = torch.tensor([1, 2])
y = torch.tensor([3, 4])
print(x + y)
print(x.add(y))
print(x)
print(x.add_(y))
print(x)

运行之后,效果如下:

下面,我们来正式讲解Tensor的使用方式。

创建Tensor

与Numpy一样,创建Tensor也有很多的方法,可以自身的函数进行生成,也可以通过列表或者ndarray进行转换,同样也可以指定维度等。具体方法如下表(数组即张量):

函数意义
Tensor(*size)直接从参数构造,支持list,Numpy数组
eye(row,column)创建指定行列的二维Tensor
linspace(start,end,steps)从start到end,均匀切分成steps份
logspace(start,end,steps)从10^start到10^and,均分成steps份
rand/randn(*size)生成[0,1)均匀分布/标准正态分布的数据
ones(*size)生成指定shape全为1的张量
zeros(*size)生成指定shape全为0的张量
ones_like(t)返回与t的shape相同的张量,且元素全为1
zeros_like(t)返回与t的shape相同的张量,且元素全为0
arange(start,end,step)在区间[start,end)上,以间隔step生成一个序列张量
from_Numpy(ndarray)从ndarray创建一个Tensor

这里需要注意Tensor有大写的方法也有小写的方法,具体效果我们先来看看代码:

import torch

t1 = torch.tensor(1)
t2 = torch.Tensor(1)
print("值0,类型1".format(t1, t1.type()))
print("值0,类型1".format(t2, t2.type()))

运行之后,效果如下:

可以看到,tensor与Tensor生成的值的类型就不同,而且t2(Tensor)返回一个大小为1的张量,而t1(tensor)返回的就是1这个值。

其他示例如下:

import torch
import numpy as np

t1 = torch.zeros(1, 2)
print(t1)
t2 = torch.arange(4)
print(t2)
t3 = torch.linspace(10, 5, 6)
print(t3)
nd = np.array([1, 2, 3, 4])
t4 = torch.from_numpy(nd)
print(t4)

其他例子基本与上面基本差不多,这里不在赘述。

修改Tensor维度

同样的与Numpy一样,Tensor一样有维度的修改函数,具体的方法如下表所示:

函数意义
size()返回张量的shape,即维度
numel(input)计算张量的元素个数
view(*shape)修改张量的shape,但View返回的对象与源张量共享内存,修改一个,另一个也被修改。Reshape将生成新的张量,而不要求源张量是连续的,View(-1)展平数组
resize类似与view,但在size超出时,会重新分配内存空间
item若张量为单元素,则返回Python的标量
unsqueeze在指定的维度增加一个“1”
squeeze在指定的维度压缩一个“1”

示例代码如下所示:

import torch

t1 = torch.Tensor([[1, 2]])
print(t1)
print(t1.size())
print(t1.dim())
print(t1.view(2, 1))
print(t1.view(-1))
print(torch.unsqueeze(t1, 0))
print(t1.numel())

运行之后,效果如下:

截取元素

当然,我们创建Tensor张量,是为了使用里面的数据,那么就不可避免的需要获取数据进行处理,具体截取元素的方式如表:

函数意义
index_select(input,dim,index)在指定维度选择一些行或者列
nonzero(input)获取非0元素的下标
masked_select(input,mask)使用二元值进行选择
gather(input,dim,index)在指定维度上选择数据,输出的维度与index一致(index的类型必须是LongTensor类型的)
scatter_(input,dim,index,src)为gatter的反操作,根据指定索引补充数据(将src中数据根据index中的索引按照dim的方向填进input中)

示例代码如下所示:

import torch

# 设置随机数种子,保证每次运行结果一致
torch.manual_seed(100)
t1 = torch.randn(2, 3)
# 打印t1
print(t1)
# 输出第0行数据
print(t1[0, :])
# 输出t1大于0的数据
print(torch.masked_select(t1, t1 > 0))
# 输出t1大于0的数据索引
print(torch.nonzero(t1))
# 获取第一列第一个值,第二列第二个值,第三列第二个值为第1行的值
# 获取第二列的第二个值,第二列第二个值,第三列第二个值为第2行的值
index = torch.LongTensor([[0, 1, 1], [1, 1, 1]])
# 取0表示以行为索引
a = torch.gather(t1, 0, index)
print(a)
# 反操作填0
z = torch.zeros(2, 3)
print(z.scatter_(1, index, a))

运行之后,效果如下:


我们a = torch.gather(t1, 0, index)对其做了一个图解,方便大家理解。如下图所示:

当然,我们直接有公司计算,因为这么多数据标线实在不好看,这里博主列出转换公司供大家参考:

当dim=0,out[i,j]=input[index[i,j]][j]
当dim=1,out[i,j]=input[i][index[i][j]]

简单的数学运算

与Numpy一样,Tensor也支持数学运算。这里,博主列出了常用的数学运算函数,方便大家参考:

函数意义
abs/add绝对值/加法
addcdiv(t,v,t1,t2)t1与t2逐元素相除后,乘v加t
addcmul(t,v,t1,t2)t1与t2逐元素相乘后,乘v加t
ceil/floor向上取整/向下取整
clamp(t,min,max)将张量元素限制在指定区间
exp/log/pow指数/对数/幂
mul(或*)/neg逐元素乘法/取反
sigmoid/tanh/softmax激活函数
sign/sqrt取符号/开根号

需要注意的是,上面表格所有的函数操作均会创建新的Tensor,如果不需要创建新的,使用这些函数的下划线"_"版本。

示例如下:

t = torch.Tensor([[1, 2]])
t1 = torch.Tensor([[3], [4]])
t2 = torch.Tensor([5, 6])
# t+0.1*(t1/t2)
print(torch.addcdiv(t, 0.1, t1, t2))
# t+0.1*(t1*t2)
print(torch.addcmul(t, 0.1, t1, t2))
print(torch.pow(t,3))
print(torch.neg(t))

运行之后,效果如下:


上面的这些函数都很好理解,只有一个函数相信没接触机器学习的时候,不大容易理解。也就是sigmoid()激活函数,它的公式如下:

归并操作

简单的理解,就是对张量进行归并或者说合计等操作,这类操作的输入输出维度一般并不相同,而且往往是输入大于输出维度。而Tensor的归并函数如下表所示:

函数意义
cumprod(t,axis)在指定维度对t进行累积
cumsum在指定维度对t进行累加
dist(a,b,p=2)返回a,b之间的p阶范数
mean/median均值/中位数
std/var标准差/方差
norm(t,p=2)返回t的p阶范数
prod(t)/sum(t)返回t所有元素的积/和

示例代码如下所示:

t = torch.linspace(0, 10, 6)
a = t.view((2, 3))
print(a)
b = a.sum(dim=0)
print(b)
b = a.sum(dim=0, keepdim=True)
print(b)

运行之后,效果如下:

需要注意的是,sum函数求和之后,dim的元素个数为1,所以要被去掉,如果要保留这个维度,则应当keepdim=True,默认为False。

比较操作

在量化交易中,我们一般会对股价进行比较。而Tensor张量同样也支持比较的操作,一般是进行逐元素比较。具体函数如下表:

函数意义
equal比较张量是否具有相同的shape与值
eq比较张量是否相等,支持broadcast
ge/le/gt/lt大于/小于比较/大于等于/小于等于比较
max/min(t,axis)返回最值,若指定axis,则额外返回下标
topk(t,k,dim)在指定的dim维度上取最高的K个值

示例代码如下所示:

t = torch.Tensor([[1, 2], [3, 4]])
t1 = torch.Tensor([[1, 1], [4, 4]])
# 获取最大值
print(torch.max(t))
# 比较张量是否相等
# equal直接返回True或False
print(torch.equal(t, t1))
# eq返回对应位置是否相等的布尔值与两者维度相同
print(torch.eq(t, t1))
# 取最大的2个元素,返回索引与值
print(torch.topk(t, 1, dim=0))

运行之后,输出如下:

矩阵运算

机器学习与深度学习中,存在大量的矩阵运算。与Numpy一样常用的矩阵运算一样,一种是逐元素相乘,一种是点积乘法。函数如下表所示:

函数意义
dot(t1,t2)计算t1与t2的点积,但只能计算1维张量
mm(mat1,mat2)计算矩阵乘法
bmm(tatch1,batch2)含batch的3D矩阵乘法
mv(t1,v1)计算矩阵与向量乘法
t转置
svd(t)计算t的SVD分解

这里有3个主要的点积计算需要区分,dot()函数只能计算1维张量,mm()函数只能计算二维的张量,bmm只能计算三维的矩阵张量。示例如下:

# 计算1维点积
a = torch.Tensor([1, 2])
b = torch.Tensor([3, 4])
print(torch.dot(a, b))
# 计算2维点积
a = torch.randint(10, (2, 3))
b = torch.randint(6, (3, 4))
print(torch.mm(a, b))
# 计算3维点积
a = torch.randint(10, (2, 2, 3))
b = torch.randint(6, (2, 3, 4))
print(torch.bmm(a, b))

运行之后,输出如下:

以上是关于Tensor:Pytorch神经网络界的Numpy的主要内容,如果未能解决你的问题,请参考以下文章

Tensor:Pytorch神经网络界的Numpy

pytorch学习-1:Torch vs Numpy

pytorch学习-1:Torch vs Numpy

pytorch Tensor和Variable

Pytorch基础重新巩固

pytorch动态计算图有啥好处