Pytorch深度学习基础之Tensor

当下流行的深度学习框架,都会涉及一个基本的概念,就是张量(Tensor)。张量是什么?简单的理解,就是数据的容器。零维张量就是数字或者标量,一维张量就是向量,二维或者更高维就是矩阵。因为机器只能处理数字相关的信息,所以无论是图片还是自然语言的处理,都需要把输入信息转化为高维数字矩阵的形式。

那为何需要新引入张量,而不直接使用numpy的ndarray呢?Tensor提供了一些辅助神经网络训练的功能,比ndarray更适合深度学习。

简而言之一句话,就像python里的int,float,string等数据类型一样,tensor就是深度学习框架的基本数据类型,以至于Google的深度学习框架名字就叫TensorFlow,就是“张量的流”的意思。

1.1.1.1.1Tensor(张量)

我们初始化一个3行2列的矩阵,直接把数组直接赋值给torch.Tensor,可以通过Tensor的size函数查看张量的维度。

>>>import torch

>>> a = torch.Tensor([[1,1],[2,2],[3,3]])

tensor([[ 1., 1.],

[ 2., 2.],

[ 3., 3.]])

>>> a.size()

torch.Size([3, 2])

在实际的应用场景中,我们难得会直接从数组中初始化Tensor,更多情况下,会初始化一个全或全1亦或是随机初始值的特定维度的张量。

有几种常用的方法,比如得到3行2列值全为的张量:

>>> a = torch.zeros((3,2))

tensor([[ 0., 0.],

[ 0., 0.],

[ 0., 0.]])

比如得到3行2列的随机值的张量:

>>> b = torch.randn((3,2))

tensor([[-0.0648, -1.2692],

[ 0.9562, 0.0018],

[-1.3293, 0.0097]])

对于张量内的数据访问,与numpy是一样的,直接通过索引访问和修改

tensor([[-0.0648, -1.2692],

[ 0.9562, 0.0018],

[-1.3293, 0.0097]])

tensor(1.00000e-02 *

-6.4819)

tensor(-1.2692)

>>>b[0,1]=888

tensor([[-6.4819e-02, 8.8800e+02],

[ 9.5625e-01, 1.8241e-03],

[-1.3293e+00, 9.7056e-03]])

关于Pytorch的Tensor,还有重要一点,就是可以和numpy的ndarray互转。

>>>np_b = b.numpy()

array([[-6.4819142e-02, 8.8800000e+02],

[ 9.5624775e-01, 1.8241187e-03],

[-1.3292531e+00, 9.7055538e-03]],dtype=float32)

从numpy的ndarray转为torch的tensor同样简单,代码如下:

>>> a = np.array([[1,1],[2,2]])

array([[1, 1],

[2, 2]])

>>>tensor_a = torch.from_numpy(a)

>>> tensor_a

tensor([[ 1, 1],

[ 2, 2]], dtype=torch.int32)

张量加法有两种形式,一种是直接使用加号,另一种使用torch.add方法:

>>> a = torch.Tensor([1,1])

>>> b = torch.Tensor([2,2])

tensor([ 3., 3.])

>>>torch.add(a,b)

tensor([ 3., 3.])

这里需要特别说明,深度学习里的张量计算,不是线性代数里的矩阵运算,而且元素直接计算,两个参与计算的张量顺序无关,比如a*b=b*a(线性代数里的矩阵是不可以的),另外是张量的元素直接加减或乘除,各张量之间行数与列数必须相同,有几个例外:

1,标量,直接把标题作用于张量的每个元素。

tensor([[ 1., 1.],

[ 2., 2.]])

tensor([[ 2., 2.],

[ 3., 3.]])

2,一维向量,向量长度需等于张量列数,各元素作用于列元素

>>> a =torch.Tensor([[1,1],[2,2]])

tensor([[ 1., 1.],

[ 2., 2.]])

>>>b = torch.Tensor([0.5,1.5]) #b是行向量

tensor([[ 0.5000, 1.5000],

[ 1.0000, 3.0000]]) #行向量,元素操作在列上

3,行数相同,列数为1,元素使用于各行

>>>c = torch.Tensor([[0.5],[1.5]]) #c是2行1列的张量

tensor([[ 0.5000, 0.5000],

[ 3.0000, 3.0000]])#列向量,元素操作在各行上

view方法,就是对矩阵进行reshape,这个方法很重要,因为多层神经网络在相互连接的时候,前后两个层的维度是需要对齐的,这时需要对tensor的size进行view:

>>> x = torch.randn(4, 4)

>>> y = x.view(-1,8) #负1表示这一个维度通过推断得到。

>>> z = x.view(16)

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

关于作者:魏佳斌,互联网产品/技术总监,北京大学光华管理学院(MBA),特许金融分析师(CFA),资深产品经理/码农。偏爱python,深度关注互联网趋势,人工智能,AI金融量化。致力于使用最前沿的认知技术去理解这个复杂的世界。

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20180619G168DJ00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券