『Pytorch』torch基本操作

Posted 2020-10-24 叠加态的猫

Tensor基础操作

import torch as t

Tensor基础操作

# 构建张量空间，不初始化
x = t.Tensor(5,3)
x

"""
-2.4365e-20 -1.4335e-03 -2.4290e+25
-1.0283e-13 -2.8296e-07 -2.0769e+22
-1.3816e-33 -6.4672e-32  1.4497e-32
 1.6020e-19  6.2625e+22  4.7428e+30
 4.0095e-08  1.1943e-32 -3.5308e+35
[torch.FloatTensor of size 5x3]
"""

# 构建张量空间，[0,1]均匀分布初始化
x = t.rand(5,3)
x

"""
 0.9618  0.0669  0.1458
 0.3154  0.0680  0.1883
 0.1795  0.4173  0.0395
 0.7673  0.4906  0.6148
 0.0949  0.2366  0.7571
[torch.FloatTensor of size 5x3]
"""

# 查看矩阵形状，返回时tuple的子类，可以直接索引
print(x.shape)
print(x.size())

"""
torch.Size([5, 3])
torch.Size([5, 3])
"""

 

Tensor加法操作

• 符号加
• torch.add(out=Tensor)
• Tensor.add()，方法后面不带有下划线时方法不会修改Tensor本身，仅仅返回新的值
• Tensor.add_()，方法后面带有下划线时方法会修改Tensor本身，同时返回新的值

Tensor加法操作

# 加法操作：t.add()
y = t.rand(5,3)

print(x + y)
print(t.add(x, y))
result = t.Tensor(5,3)
t.add(x, y, out=result)
print(result)

"""
 1.6288  0.4566  0.9290
 0.5943  0.4722  0.7359
 0.4316  1.0932  0.7476
 1.6499  1.3201  1.5611
 0.3274  0.4651  1.5257
[torch.FloatTensor of size 5x3]


 1.6288  0.4566  0.9290
 0.5943  0.4722  0.7359
 0.4316  1.0932  0.7476
 1.6499  1.3201  1.5611
 0.3274  0.4651  1.5257
[torch.FloatTensor of size 5x3]


 1.6288  0.4566  0.9290
 0.5943  0.4722  0.7359
 0.4316  1.0932  0.7476
 1.6499  1.3201  1.5611
 0.3274  0.4651  1.5257
[torch.FloatTensor of size 5x3]
"""

# 加法操作：Tensor自带方法
print(y)
# 不改变y本身
print("y.add():\n", y.add(x))
print(y)
print("y.add_():\n", y.add_(x))
print(y)

"""
 0.6670  0.3897  0.7832
 0.2788  0.4042  0.5476
 0.2521  0.6759  0.7081
 0.8825  0.8295  0.9462
 0.2325  0.2286  0.7686
[torch.FloatTensor of size 5x3]
"""

y.add():
"""
 1.6288  0.4566  0.9290
 0.5943  0.4722  0.7359
 0.4316  1.0932  0.7476
 1.6499  1.3201  1.5611
 0.3274  0.4651  1.5257
[torch.FloatTensor of size 5x3]


 0.6670  0.3897  0.7832
 0.2788  0.4042  0.5476
 0.2521  0.6759  0.7081
 0.8825  0.8295  0.9462
 0.2325  0.2286  0.7686
[torch.FloatTensor of size 5x3]
"""

y.add_():
""" 
 1.6288  0.4566  0.9290
 0.5943  0.4722  0.7359
 0.4316  1.0932  0.7476
 1.6499  1.3201  1.5611
 0.3274  0.4651  1.5257
[torch.FloatTensor of size 5x3]


 1.6288  0.4566  0.9290
 0.5943  0.4722  0.7359
 0.4316  1.0932  0.7476
 1.6499  1.3201  1.5611
 0.3274  0.4651  1.5257
[torch.FloatTensor of size 5x3]
"""

 

Tensor索引以及和Numpy.array转换

Tensor对象和numpy的array对象高度相似，不仅可以相互转换，而且：

1. 转换前后的两者共享内存，所以他们之间的转换很快，而且几乎不会消耗资源，这意味着一个改变另一个也随之改变
2. 两者在调用时可以相互取代(应该是由于两者的内置方法高度相似)

Tensor索引

# Tensor索引和numpy的array类似

x[:, 1]

"""
 0.0669
 0.0680
 0.4173
 0.4906
 0.2366
[torch.FloatTensor of size 5]
"""

Tensor和numpy转换

a = t.ones_like(x)
b = a.numpy()  # Tensor->array
b

"""
array([[ 1.,  1.,  1.],
       [ 1.,  1.,  1.],
       [ 1.,  1.,  1.],
       [ 1.,  1.,  1.],
       [ 1.,  1.,  1.]], dtype=float32)
"""

import numpy as np

print(x)

# Tensor和array的交互很强，一定程度上可以相互替代

a = np.ones_like(x)
print(a)

"""
 0.9618  0.0669  0.1458
 0.3154  0.0680  0.1883
 0.1795  0.4173  0.0395
 0.7673  0.4906  0.6148
 0.0949  0.2366  0.7571
[torch.FloatTensor of size 5x3]

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

b = t.from_numpy(a)  # array->Tensor
print(a)
print(b)
b.add_(1)  # 两者共享内存
print(a)
print(b)

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

 1  1  1
 1  1  1
 1  1  1
 1  1  1
 1  1  1
[torch.FloatTensor of size 5x3]

[[ 2.  2.  2.]
 [ 2.  2.  2.]
 [ 2.  2.  2.]
 [ 2.  2.  2.]
 [ 2.  2.  2.]]

 2  2  2
 2  2  2
 2  2  2
 2  2  2
 2  2  2
[torch.FloatTensor of size 5x3]
"""

 最后，实验以下cpu加速，当然，由于我的笔记本没有加速，所以条件是不满足的。

if t.cuda.is_available():
    x = x.cuda()
    y = y.cuda()
    x+y