从零开始学Pytorch（一）之常见数据操作
import torch
torch.manual_seed()
torch.cuda.manual_seed()
print(torch.__version__)
输出pytorch的版本号创建Tensor
创建一个5x3的未初始化的Tensor：
x = torch.empty(, )
print(x)
输出为：tensor([[0.0000e+00, 1.0842e-19, 1.6162e+22],
[2.8643e-42, 5.6052e-45, 0.0000e+00],
[0.0000e+00, 0.0000e+00, 0.0000e+00],
[0.0000e+00, 0.0000e+00, 0.0000e+00],
[0.0000e+00, 1.0842e-19, 1.3314e+22]])
创建一个5x3的随机初始化的Tensor:
x = torch.rand(, )
print(x)
输出为：
tensor([[0.4963, 0.7682, 0.0885],
[0.1320, 0.3074, 0.6341],
[0.4901, 0.8964, 0.4556],
[0.6323, 0.3489, 0.4017],
[0.0223, 0.1689, 0.2939]])
创建一个5x3的long型全0的Tensor:
x = torch.zeros(, , dtype=torch.long)
print(x)
输出为：
tensor([[, , ],
[, , ],
[, , ],
[, , ],
[, , ]])
直接根据数据创建:
x = torch.tensor([5.5, ])
print(x)
输出为：
tensor([5.5000, 3.0000])
还可以通过现有的Tensor来创建，此方法会默认重用输入Tensor的一些属性。
x = x.new_ones(, , dtype=torch.float64) # 返回的tensor默认具有相同的torch.dtype和torch.device
print(x)
x = torch.randn_like(x, dtype=torch.float) # 指定新的数据类型
print(x)
输出为：
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
tensor([[ 0.6035, 0.8110, -0.0451],
[ 0.8797, 1.0482, -0.0445],
[-0.7229, 2.8663, -0.5655],
[ 0.1604, -0.0254, 1.0739],
[ 2.2628, -0.9175, -0.2251]])
我们可以通过shape或者size()来获取Tensor的形状:
print(x.size())
print(x.shape)
输出为：
torch.Size([, ])
torch.Size([, ])
注意：返回的torch.Size其实就是一个tuple, 支持所有tuple的操作。
操作
算术操作
- 加法形式一
y = torch.rand(, )
print(x + y)
输出为：
tensor([[ 1.3967, 1.0892, 0.4369],
[ 1.6995, 2.0453, 0.6539],
[-0.1553, 3.7016, -0.3599],
[ 0.7536, 0.0870, 1.2274],
[ 2.5046, -0.1913, 0.4760]])
- 加法形式二
print(torch.add(x, y))
输出为：
tensor([[ 1.3967, 1.0892, 0.4369],
[ 1.6995, 2.0453, 0.6539],
[-0.1553, 3.7016, -0.3599],
[ 0.7536, 0.0870, 1.2274],
[ 2.5046, -0.1913, 0.4760]])
result = torch.empty(, )
torch.add(x, y, out=result)
print(result)
输出为：
tensor([[ 1.3967, 1.0892, 0.4369],
[ 1.6995, 2.0453, 0.6539],
[-0.1553, 3.7016, -0.3599],
[ 0.7536, 0.0870, 1.2274],
[ 2.5046, -0.1913, 0.4760]])
- 加法形式三、inplace
# adds x to y
y.add_(x)
print(y)
输出为：
tensor([[ 1.3967, 1.0892, 0.4369],
[ 1.6995, 2.0453, 0.6539],
[-0.1553, 3.7016, -0.3599],
[ 0.7536, 0.0870, 1.2274],
[ 2.5046, -0.1913, 0.4760]])
注：PyTorch操作inplace版本都有后缀"_", 例如
x.copy_(y), x.t_()
索引
图片
y = x[, :]
y +=
print(y)
print(x[, :]) # 源tensor也被改了
输出为：
tensor([1.6035, 1.8110, 0.9549])
tensor([1.6035, 1.8110, 0.9549])
改变形状
用view()来改变Tensor的形状：
y = x.view()
z = x.view(-1, ) # -1所指的维度可以根据其他维度的值推出来
print(x.size(), y.size(), z.size())
输出为：
torch.Size([, ]) torch.Size([]) torch.Size([, ])
图片
x +=
print(x)
print(y) # 也加了1
输出为：
tensor([[2.6035, 2.8110, 1.9549],
[1.8797, 2.0482, 0.9555],
[0.2771, 3.8663, 0.4345],
[1.1604, 0.9746, 2.0739],
[3.2628, 0.0825, 0.7749]])
tensor([2.6035, 2.8110, 1.9549, 1.8797, 2.0482, 0.9555, 0.2771, 3.8663, 0.4345,
1.1604, 0.9746, 2.0739, 3.2628, 0.0825, 0.7749])
如果不想共享内存，推荐先用clone创造一个副本然后再使用view。
x_cp = x.clone().view()
x -=
print(x)
print(x_cp)
输出为：
tensor([[ 1.6035, 1.8110, 0.9549],
[ 0.8797, 1.0482, -0.0445],
[-0.7229, 2.8663, -0.5655],
[ 0.1604, -0.0254, 1.0739],
[ 2.2628, -0.9175, -0.2251]])
tensor([2.6035, 2.8110, 1.9549, 1.8797, 2.0482, 0.9555, 0.2771, 3.8663, 0.4345,
1.1604, 0.9746, 2.0739, 3.2628, 0.0825, 0.7749])
另外一个常用的函数就是item(), 它可以将一个标量Tensor转换成一个Python number：
x = torch.randn()
print(x)
print(x.item())
输出为：
tensor([2.3466])
2.3466382026672363
广播机制
x = torch.arange(, ).view(, )
print(x)
y = torch.arange(, ).view(, )
print(y)
print(x + y)
输出为：
tensor([[, ]])
tensor([[],
[],
[]])
tensor([[, ],
[, ],
[, ]])
Tensor和NumPy相互转换
图片
Tensor转NumPy
a = torch.ones()
b = a.numpy()
print(a, b)
a +=
print(a, b)
b +=
print(a, b)
输出为：
tensor([1., 1., 1., 1., 1.]) [1. 1. 1. 1. 1.]
tensor([2., 2., 2., 2., 2.]) [2. 2. 2. 2. 2.]
tensor([3., 3., 3., 3., 3.]) [3. 3. 3. 3. 3.]
NumPy数组转Tensor
import numpy as np
a = np.ones()
b = torch.from_numpy(a)
print(a, b)
a +=
print(a, b)
b +=
print(a, b)
输出为;
[1. 1. 1. 1. 1.] tensor([1., 1., 1., 1., 1.], dtype=torch.float64)
[2. 2. 2. 2. 2.] tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
[3. 3. 3. 3. 3.] tensor([3., 3., 3., 3., 3.], dtype=torch.float64)
图片
# 用torch.tensor()转换时不会共享内存
c = torch.tensor(a)
a +=
print(a, c)
输出为：
[4. 4. 4. 4. 4.] tensor([3., 3., 3., 3., 3.], dtype=torch.float64)Tensor on GPU
# 以下代码只有在PyTorch GPU版本上才会执行
if torch.cuda.is_available():
device = torch.device("cuda") # GPU
y = torch.ones_like(x, device=device) # 直接创建一个在GPU上的Tensor
x = x.to(device) # 等价于 .to("cuda")
z = x + y
print(z)
print(z.to("cpu", torch.double)) # to()还可以同时更改数据类型参考文献
[1]《动手深度学习》李沐
本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。
原始发表：2020-02-16，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录
腾讯云开发者
