PyTorch基础之张量模块数据类型、基本操作、与Numpy数组的操作详解（附源码简单全面）

绝地灬酷狼 2023-10-09 20:32 27阅读 0赞

> **需要源代码文件请点赞关注收藏后评论区留言私信~~~**

## 一、张量模块 ##

张量（Tensor）是PyTorch最基本的操作对象，是具有统一类型的多维数组。大家对标量、向量和矩阵都非常熟悉，但是当我们想描述一个高维数据时，标量、向量和矩阵有些“力不从心”，因此，张量应运而生

在几何定义中，张量是基于标量、向量和矩阵概念的延伸。通俗一点理解，可以将标量视为0维张量，向量视为1维张量，矩阵视为2维张量。在深度学习领域可以将张量视为一个数据的水桶，当水桶中只放一滴水时就是0维张量，多滴水排成一排就是1维张量，联排成面就是2维张量，以此类推，扩展到n维张量

像 Python 数值和字符串一样，所有张量都是不可变的：永远无法更新张量的内容，只能创建新的张量

### 1：张量的数据类型 ###

创建张量

生成随机数

> torch.rand()：生成服从均匀分布的随机数；
> 
> torch.randn()：生成服从标准正太分布的随机数；
> 
> torch.normal()：指定均值和标准差的正太分布的随机数；
> 
> torch.linspace()：生成均匀间隔的随机数；
> 
> torch.manual\_seed()：用来固定随机种子，生成相同的随机数；
> 
> torch.ones()、torch.zeros()、torch.eye()

下面是上面基本操作的代码

import torch
    # 从python数组构建
    a = [[1, 2, 3],[4, 5, 6]]
    x = torch.Tensor(a)
    print(a, x)
    # 输出结果为：
    # tensor([[1., 2., 3.],
    #         [4., 5., 6.]])
    
    # 从列表构建张量
    x = torch.Tensor([[1, 2]])
    print(x)
    # 输出结果为：
    # tensor([[1., 2.]])
    tensor1 = torch.rand(4)
    tensor2 = torch.rand(2, 3)
    print(tensor1, tensor2)
    # tensor([0.7638, 0.3919, 0.9474, 0.6846]) 
    # tensor([[0.3425, 0.0689, 0.6304],
    #         [0.5676, 0.8049, 0.3459]])
    tensor1 = torch.randn(5)
    tensor2 = torch.randn(2, 4)
    print(tensor1, tensor2)
    # tensor([ 0.4315, -0.3812, 0.9554, -0.8051, -0.9421]) 
    # tensor([[-0.6991, 0.0359, 1.2298, -0.1711],
    #         [ 1.0056, 0.5772, 1.4460, -0.5936]])
    tensor = torch.normal(mean=torch.arange(1., 11.), std= torch.arange(1, 0, -0.1))
    print(tensor)
    # tensor([0.0605, 2.5965, 3.3046, 4.2056, 5.0117, 6.7848, 6.3024, 7.9845, 9.4306, 9.7881])
    torch.arange(1, 0, -0.1)
    tensor = torch.normal(mean=0.5, std=torch.arange(1., 6.))
    print(tensor)
    # tensor([-0.0757, -0.5302, -1.1334, -4.3958, -5.8655])
    tensor = torch.normal(mean=torch.arange(1., 6.), std=1.0)
    print(tensor)
    # tensor([1.6546, 2.7788, 2.4560, 3.2527, 4.1715])
    tensor = torch.normal(2, 3, size=(1, 4))
    print(tensor)
    # tensor([[ 4.7555, -2.5026, -1.6333, -0.9256]])
    tensor = torch.linspace(1, 10, steps=5)
    print(tensor)
    # tensor([ 1.0000,  3.2500,  5.5000,  7.7500, 10.0000])
    
    torch.manual_seed(1)
    temp1 = torch.rand(5)
    print(temp1)  # tensor([0.7576, 0.2793, 0.4031, 0.7347, 0.0293])
    torch.manual_seed(1)
    temp2 = torch.rand(5)
    print(temp2)  # tensor([0.7576, 0.2793, 0.4031, 0.7347, 0.0293])
    temp3 = torch.rand(5)
    print(temp3)  # tensor([0.7999, 0.3971, 0.7544, 0.5695, 0.4388])
    tensor1 = torch.zeros(2, 3)
    tensor2 = torch.ones(2, 3)
    tensor3 = torch.eye(3)
    print(tensor1, tensor2, tensor3)
    # tensor([[0., 0., 0.],
    #         [0., 0., 0.]]) 
    #         tensor([[1., 1., 1.],
    #         [1., 1., 1.]]) 
    #         tensor([[1., 0., 0.],
    #         [0., 1., 0.],
    #         [0., 0., 1.]])
    # 第一种方法：在创建张量时指定数据类型
    x = torch.ones((2, 3, 4), dtype=torch.int64)  # 生成全1数组
    print(x)
    # 输出结果为：
    # tensor([[[1, 1, 1, 1],
    #          [1, 1, 1, 1],
    #          [1, 1, 1, 1]],
    # 
    #         [[1, 1, 1, 1],
    #          [1, 1, 1, 1],
    #          [1, 1, 1, 1]]])
    
    # 第二种方法：张量创建完成后，对数据类型进行转换
    x = torch.ones(2, 3, 4)  # 生成全1数组
    x = x.type(torch.int64)
    print(x)
    # 输出结果为：
    # tensor([[[1, 1, 1, 1],
    #          [1, 1, 1, 1],
    #          [1, 1, 1, 1]],
    # 
    #         [[1, 1, 1, 1],
    #          [1, 1, 1, 1],

### 2：张量的基本操作 ###

改变张量的形状

x = torch.rand(3, 2)
    print(x.shape)  # torch.Size([3, 2])
    y = x.view(2, 3)
    print(y.shape)  # torch.Size([6])

增加和删除维度

# 增加维度
    a = torch.rand(3, 4)
    b = torch.unsqueeze(a, 0)
    c = a.unsqueeze(0)
    print(b.shape)  # torch.Size([1, 3, 4])
    print(c.shape)  # torch.Size([1, 3, 4])

交换维度

# 删除维度
    a = torch.rand(1, 1, 3, 4)
    b = torch.squeeze(a)
    c = a.squeeze(1)
    print(b.shape)  # torch.Size([3, 4])
    print(c.shape)  # torch.Size([1, 3, 4])

拼接和分割

# torch.cat()拼接方法的代码如下：
    a = torch.rand(1, 2)
    b = torch.rand(1, 2)
    c = torch.rand(1, 2)
    output1 = torch.cat([a, b, c], dim=0)  # dim=0为按列拼接
    print(output1.shape)  # torch.Size([3, 2])
    output2 = torch.cat([a, b, c], dim=1)  # dim=1为按行拼接
    print(output2.shape)  # torch.Size([1, 6])

堆叠和分解

# torch.stack()堆叠方法的代码如下：
    a = torch.rand(1, 2)
    b = torch.rand(1, 2)
    c = torch.rand(1, 2)
    output1 = torch.stack([a, b, c], dim=0)  # dim=0为按列拼接
    print(output1.shape)  # torch.Size([3, 1, 2])
    output2 = torch.stack([a, b, c], dim=1)  # dim=1为按行拼接
    print(output2.shape)  # torch.Size([1, 3, 2])
    # torch.chunk()分解方法的代码如下：
    a = torch.rand(3, 4)
    output1 = torch.chunk(a, 2, dim=0)
    print(output1)
    # (tensor([[0.1943, 0.1760, 0.3022, 0.0746],
    #         [0.5819, 0.7897, 0.2581, 0.0709]]), tensor([[0.2137, 0.5694, 0.1406, 0.0052]]))
    
    output2 = torch.chunk(a, 2, dim=1)
    print(output2)
    # (tensor([[0.1943, 0.1760],
    #         [0.5819, 0.7897],
    #         [0.2137, 0.5694]]), tensor([[0.3022, 0.0746],
    #         [0.2581, 0.0709],
    #         [0.1406, 0.0052]]))

索引和切片

x = torch.rand(2, 3, 4)
    print(x[1].shape)  # torch.Size([3, 4])
    
    y = x[1, 0:2, :]
    print(y.shape)  # torch.Size([2, 4])
    
    z = x[:, 0, ::2]
    print(z.shape)  # torch.Size([2, 2])

下面是基本的数学运算

元素求和 按索引求和 元素乘积 求平均数 求方差 求最大值 求最小值

# 元素求和第一种方法
    a = torch.rand(4, 3)
    b = torch.sum(a)
    print(b)  # tensor(6.4069)
    # 元素求和第二种方法
    a = torch.rand(4, 3)
    b = torch.sum(a, dim=1, keepdim=False)
    print(b, b.shape)
    # tensor([[0.6594],
    #         [1.5325],
    #         [1.5375],
    #         [1.7755]]) torch.Size([4, 1])
    # 按索引求和,不常用
    x = torch.Tensor([[1, 2],[3, 4]])
    y = torch.Tensor([[3, 4],[5, 6]])
    index = torch.LongTensor([0, 1])
    output = x.index_add_(0, index, y)
    print(output)
    # tensor([[ 4.,  6.],
    #         [ 8., 10.]])
    # 元素乘积第一种方法
    a = torch.rand(4, 3)
    b = torch.prod(a)
    print(b)  # tensor(2.0311e-05)
    # 元素乘积第二种方法
    a = torch.rand(4, 3)
    b = torch.prod(a, 1, True)
    print(b, b.shape)
    # tensor([[0.0194],
    #         [0.1845],
    #         [0.0336],
    #         [0.4879]]) torch.Size([4, 1])
    # 求平均数的第一种方法
    a = torch.rand(4, 3)
    b = torch.mean(a)
    print(b)  # tensor(0.4836)
    # 求平均数的第二种方法
    a = torch.rand(4, 3)
    b = torch.mean(a, 1, True)
    print(b, b.shape)
    # tensor([[0.6966],
    #         [0.6087],
    #         [0.3842],
    #         [0.1749]]) torch.Size([4, 1])
    # 求方差的第一种方法
    a = torch.rand(4, 3)
    b = torch.var(a)
    print(b)  # tensor(0.0740)
    # 求方差的第二种方法
    a = torch.rand(4, 3)
    b = torch.var(a, 1, True)
    print(b, b.shape)
    # tensor([0.1155, 0.0874, 0.0354, 0.0005]) torch.Size([4, 1])
    # 求最大值的第一种方法
    a = torch.rand(4, 3)
    b = torch.max(a)
    print(b)  # tensor(0.8765)
    # 求最大值的第二种方法
    a = torch.rand(4, 3)
    b = torch.max(a, 1, True)
    print(b)
    # torch.return_types.max(
    # values = tensor([[0.9875],
    #          [0.6657],
    #          [0.9412],
    #          [0.7775]]),
    # indices = tensor([[2],
    #           [0],
    #           [0],
    #           [1]]))
    # 求最小值的第一种方法
    a = torch.rand(4,3)
    b = torch.min(a)
    print(b)  # tensor(0.0397)
    # 求最小值的第二种方法
    a = torch.rand(4, 3)
    b = torch.min(a, 1, True)
    print(b)
    # torch.return_types.min(
    # values = tensor([[0.0436],
    #           [0.1586],
    #           [0.4904],
    #           [0.2536]]),
    # indices = tensor([[0],
    #           [1],
    #           [2],
    #           [1]]))

向量运算和矩阵运算

包括向量的点乘 向量的叉乘 矩阵的内积 矩阵的外积

# 向量的点乘,a和b必须为一维
    a = torch.Tensor([1, 2, 3])
    b = torch.Tensor([1, 1, 1])
    output = torch.dot(a, b)
    print(output)  # 等价于 1*1+2*1+3*1，tensor(6.)
    # 向量的叉乘
    a = torch.Tensor([1, 2, 3])
    b = torch.Tensor([1, 1, 1])
    output = torch.multiply(a, b)
    print(output)  # tensor([1., 2., 3.])
    # 矩阵的内积
    a = torch.Tensor([1, 2, 3])
    b = torch.Tensor([1, 1, 1])
    output = torch.inner(a, b)
    print(output)  # tensor(6.)
    # 矩阵的外积：矩阵乘法
    a = torch.Tensor([[1, 2, 3], [4, 5, 6]])
    b = torch.Tensor([[1, 1], [2, 2], [3, 3]])
    output = torch.matmul(a, b)
    print(output)
    # tensor([[14., 14.],
    #         [32., 32.]])
    # 按批量相乘
    a = torch.randn(10, 3, 4)
    b = torch.randn(10, 4, 5)
    output = torch.bmm(a, b)
    print(output.shape)
    # tensor([[14., 14.],
    #         [32., 32.]])

### 3：张量与Numpy数组 ###

由于使用numpy中ndarray处理数据非常方便，经常会将张量与numpy数组进行相互转换，所以掌握两者之间的转换方法很有必要

> 张量转numpy数组：tensor.numpy()
> 
> Numpy数组转张量：torch.from\_numpy()

张量转Numpy数组

a = torch.ones(1, 2)
    b = a.numpy()  # 进行转换
    print(a, b)  # tensor([[1., 1.]]) [[1. 1.]]
    
    a += 2
    print(a, b)  # tensor([[3., 3.]]) [[3. 3.]]
    b += 2  # 在a改变后，b也已经改变
    print(a, b)  # tensor([[5., 5.]]) [[5. 5.]]

Numpy数组转张量

import numpy as np
    a = np.ones([1, 2])
    b = torch.from_numpy(a)  # 进行转换
    print(a, b)  # [[1. 1.]] tensor([[1., 1.]], dtype=torch.float64)
    
    a += 2
    print(a, b)  # [[3. 3.]] tensor([[3., 3.]], dtype=torch.float64)
    b += 2  # 在a改变后，b也已经改变
    print(a, b)  # [[5. 5.]] tensor([[5., 5.]], dtype=torch.float64)

### 4：Cuda张量与CPU张量 ###

在深度学习过程中，GPU能起到加速作用。Pytorch中的张量默认存放在CPU设备中，如果GPU可用，可以将张量转移到GPU中

x = torch.rand(2, 4)
    print(x.device)  # cpu
    
    # 第一种方法
    x = x.cuda()
    print(x.device)  # cuda:0
    
    # 第二种方法
    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
    if torch.cuda.is_available():
        x = x.to(device)
        print(x.device)  #cuda:0
    
    # 转化为cpu
    x = x.cpu()
    print(x.device)  # cpu

**创作不易 觉得有帮助请点赞关注收藏~~~**