Introduce

Pytorch的Tensors可以理解成Numpy中的数组ndarrays（0维张量为标量，一维张量为向量，二维向量为矩阵，三维以上张量统称为多维张量），但是Tensors 支持GPU并行计算，这是其最大的一个优点。

本文首先介绍tensor的基础用法，主要tensor的创建方式以及tensor的常用操作。

以下均为初学者笔记。

tensors 基础用法

  • tensors 常用创建方法
# 创建一个5行3列的矩阵,数据类型为long
x = torch.empty(5,3,dtype=torch.long)
# 类似的还有如下创建方式：
x = torch.zeros()
x = torch.ones()
x = torch.ones_like(z) # 创建一个与z形状相同的全1张量。
x = torch.rand()
x = torch.eye(2,2) # 2x2单位矩阵
x = torch.tensor([5.5, 3.0])  # 向量
# x = torch.tensor(5.5) 标量
# x = torch.tensor([[5.5, 3.0]]) 矩阵


# 对x重新赋值（第一种是5X3全1矩阵，第二种是随机，size与x相同，新制定type覆盖旧type）
x = x.new_ones(5,3,dtype=torch.double)
x = torch.randn_like(x,dtype=torch.float)

# tensor与numpy array的相互转换,需要注意的是他们两个用的都是共同的内存空间，即不管哪一个的值发生改变，另外一个都会相应改变
# 从numpy array创建tensor
x = torch.from_numpy(np.ones(5))
# tensor转化为numpy array,调用.numpy()即可
y = x.numpy()


# 返回x的规模，返回值类型为元组tuple，张量也支持Numpy的shpae属性
x.size()
# 改变张量的维度，与Numpy的reshape类似
x = torch.randn(4, 4) # torch.Size([4, 4])
y = x.view(16) # torch.Size([16]), equal to y = torch.reshape(x,[16])
z = x.view(-1, 8)  # torch.Size([2, 8])，其中-1表示从其他维度大小推断当前维度大小

# note: 当张量使用了permute和transpose后，tensor占用的内存可能就变得不连续了，因此不能用view()函数来改变张量维度。必须先执行函数contiguous()使tensor占用内存空间连续，其次再使用view()函数改变维度才可。但是后续Pytorch增加了函数reshape()来改变tensor维度，相当于x.contigous().view()的功能，因此要改变维度直接使用y=torch.reshape(x,[16])即可。
  • tensors 常用操作方式
# tensor的拼接
# cat()，不增加新的维度,在某维度上拼接tensor（理解向量或矩阵的拼接就行）
# example 1
x = torch.randn(2,3)
y = torch.randn(1,3)
z = torch.cat((x, y), 0)   # 在0维（行）拼接y (y作为x的新行，增加行)，维度为(3,3)
# example 2
x = torch.randn(2,3)
y = torch.randn(2,1)
z = torch.cat((x, y), 1) # 在1维（列）拼接y (y作为x的新列，增加列)，维度为(2,4)



# tensor的堆叠
# stack(),增加新的维度，在新的维度上拼接tensor（无法想象，可以理解成新创建一个维度，然后把要堆叠的tensor放上去，新维度的大小就为要堆叠tensor的个数）
# 以下例子请注意堆叠后新size中3的位置
# example 1
x = torch.randn(1,2)
y = torch.randn(1,2)
z = torch.randn(1,2)
p = torch.cat((x, y,z), 0) # 在第0维度上堆叠，维度为 (3x1x2)
# example 2
x = torch.randn(1,2)
y = torch.randn(1,2)
z = torch.randn(1,2)
p = torch.cat((x, y,z), 1)  # 在第1维度上堆叠，维度为 (1x3x2)
# example 3
x = torch.randn(1,2)
y = torch.randn(1,2)
z = torch.randn(1,2)
p = torch.cat((x, y,z), 2) # 在第2维度上堆叠，维度为 (1x2x3)



# tensor交换两个维度,size中对应维度大小也交换，二维情况下类比于二维矩阵的转置
# transpose()
# exmample
x = torch.randn(1,2)
x = x.transpose(0,1) # equal to x.transpose_(0,1)
print(x.size()) # torch.Size([2, 1])
# note: 一般情况下，函数后面有加_，如x.transpose_(0,1)，才会直接对原始tensor x进行操作，否则是返回一个新的tensor，而原始tensor x保持不变。



# tensor交换多个维度，size中对应维度大小也交换
# permute()
# example
x = torch.randn(1,2,3)
x = x.permute(2,0,1) # 理解为第零维度用原始第二维度填充，第一维度用原始第零维度填充，第二维度用原始第一维度填充
print(x.size()) # torch.Size([3, 1, 2])



# tensor压缩和解压维度
# squeeze(dim):如果dim维为大小为1，则去除，否则不做任何变化。如若不指定dim，则去除所有大小为1的维度。
# unsqueeze(dim)：在dim上添加一个维度，维度大小为1。
# example
z = torch.randn(1,2)
z.squeeze_()
print(z.size()) # torch.Size([2])
z.unsqueeze_(1)
print(z.size()) # torch.Size([2, 1])

# note: 另外一些常用的方法，比如.sum()、.max()、x[1:]等基本操作都与numpy中的用法类似。

本文参考-1

本文参考-2