torch or numpy

黄色：重点

粉色：不懂

1. Torch 自称为神经网络界的 Numpy, 因为他能将 torch 产生的 tensor 放在 GPU 中加速运算 (前提是你有合适的 GPU), 就像 Numpy 会把 array 放在 CPU 中加速运算. 

   import torch
   import numpy as np
   
   np_data = np.arange(6).reshape((2, 3))
   torch_data = torch.from_numpy(np_data)
   tensor2array = torch_data.numpy()
   print(
       '
   numpy array:', np_data,          # [[0 1 2], [3 4 5]]
       '
   torch tensor:', torch_data,      #  0  1  2 
    3  4  5    [torch.LongTensor of size 2x3]
       '
   tensor to array:', tensor2array, # [[0 1 2], [3 4 5]]
   )

   Torch 中的数学运算

   其实 torch 中 tensor 的运算和 numpy array 的如出一辙, 我们就以对比的形式来看. 如果想了解 torch 中其它更多有用的运算符, API就是你要去的地方.

   # abs 绝对值计算
   data = [-1, -2, 1, 2]
   tensor = torch.FloatTensor(data)  # 转换成32位浮点 tensor
   print(
       '
   abs',
       '
   numpy: ', np.abs(data),          # [1 2 1 2]
       '
   torch: ', torch.abs(tensor)      # [1 2 1 2]
   )
   
   # sin   三角函数 sin
   print(
       '
   sin',
       '
   numpy: ', np.sin(data),      # [-0.84147098 -0.90929743  0.84147098  0.90929743]
       '
   torch: ', torch.sin(tensor)  # [-0.8415 -0.9093  0.8415  0.9093]
   )
   
   # mean  均值
   print(
       '
   mean',
       '
   numpy: ', np.mean(data),         # 0.0
       '
   torch: ', torch.mean(tensor)     # 0.0
   )
   
   

   除了简单的计算, 矩阵运算才是神经网络中最重要的部分. 所以我们展示下矩阵的乘法. 注意一下包含了一个 numpy 中可行, 但是 torch 中不可行的方式.

   # matrix multiplication 矩阵点乘
   data = [[1,2], [3,4]]
   tensor = torch.FloatTensor(data)  # 转换成32位浮点 tensor
   # correct method
   print(
       '
   matrix multiplication (matmul)',
       '
   numpy: ', np.matmul(data, data),     # [[7, 10], [15, 22]]
       '
   torch: ', torch.mm(tensor, tensor)   # [[7, 10], [15, 22]]
   )
   
   # !!!!  下面是错误的方法 !!!!
   data = np.array(data)
   print(
       '
   matrix multiplication (dot)',
       '
   numpy: ', data.dot(data),        # [[7, 10], [15, 22]] 在numpy 中可行
       '
   torch: ', tensor.dot(tensor)     # torch 会转换成 [1,2,3,4].dot([1,2,3,4) = 30.0
   )