zoukankan      html  css  js  c++  java
  • What is Pytorch?

    What is Pytorch?

    起步(Getting Started)

    内容参考自 Deep Learning with PyTorch: A 60 Munute Blitz 之 What is PyTorch (https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html)

    张量(Tensor)

    张量与 Numpy 的 ndarray 非常相似。

    无初始化地创建一个矩阵,如下所示:

    >>> import torch
    >>> torch.empty(2, 3)
    
    tensor([[1.4905e+03, 6.6702e-43, 3.1060e-15],
            [4.2039e-45, 0.0000e+00, 0.0000e+00]])
    

    创建一个随机初始化地矩阵,如下所示:

    >>> torch.rand(2, 3)
    
    tensor([[0.4724, 0.9018, 0.1788],
            [0.9966, 0.6328, 0.8021]])
    

    创建一个零矩阵,指定其数据类型为长整型(torth.long),torch.long 是 torch.int64 的别名(https://pytorch.org/docs/stable/tensor_attributes.html#torch.torch.dtype),如下所示:

    >>> torch.zeros(2, 3, dtype=torch.long)
    
    tensor([[0, 0, 0],
            [0, 0, 0]])
    

    直接从 list 中创建张量,如下所示:

    >>> torch.tensor([0, 1.1, 1.2])
    
    tensor([0.0000, 1.1000, 1.2000])
    

    torch.double 是 torch.float64 的别名,torch.float 是 torch.float32 的别名(https://pytorch.org/docs/stable/tensor_attributes.html#torch.torch.dtype)。

    还可以在现存的张量上创建,此时也可以指定数据的类型。new_ 表示在现存的张量上创建新的张量,此时需要重新指定新的shape。 _like 表示在现存的张量上创建新的张量,并且保持同样的 shape。如下所示:

    >>> x = torch.zeros(2, 3)
    >>> x = x.new_ones(1, 2, dtype=torch.double)      # new_* methods take in sizes
    >>> print(x)
    
    tensor([[1., 1.]], dtype=torch.float64)
    
    >>> x = torch.randn_like(x, dtype=torch.float)    # override dtype!
    >>> print(x)                                      # result has the same size
    
    tensor([[-1.8443, -3.2089]])
    

    通过 size() 函数得到张量的尺寸,如下所示:

    >> x = torch.zeros(2,3)
    >> x.size()
    
    torch.Size([2, 3])
    

    操作符(operator)

    每种操作符都有多种语法和语义,在接下来的例子中,以加法为例。

    加法:语法1,如下所示:

    >>> x = torch.ones(2, 3)
    >>> y = torch.zeros(2, 3)
    >>> print(x + y)
    
    tensor([[1., 1., 1.],
            [1., 1., 1.]])
    

    加法:语法2,如下所示:

    >>> x = torch.ones(2, 3)
    >>> y = torch.zeros(2, 3)
    >>> print(torch.add(x, y))
    
    tensor([[1., 1., 1.],
            [1., 1., 1.]])
    

    加法:提供一个作为输出参数的张量,如下所示:

    >>> x = torch.ones(2, 3)
    >>> y = torch.zeros(2, 3)
    >>> result = torch.empty(2, 3)
    >>> torch.add(x, y, out=result)
    >>> print(result)
    
    tensor([[1., 1., 1.],
            [1., 1., 1.]])
    

    加法:在原地,如下所示:

    >>> x = torch.ones(2, 3)
    >>> y = torch.zeros(2, 3)
    >>> y.add_(x)  # adds x to y
    >>> print(y)
    
    tensor([[1., 1., 1.],
            [1., 1., 1.]])
    

    注意,任何使得张量在原地发生变化的操作都是以 “_” 为结尾。例如下面的两个函数将会改变张量 x:

    x.copy_(y)
    x.t_()
    

    我们可以使用全部标准的类 Numpy 的索引方式。如下所示:

    >>> x = torch.rand(2, 3)
    >>> print(x)
    
    tensor([[0.7521, 0.3104, 0.5551],
            [0.7190, 0.4271, 0.1387]])
    
    >>> print(x[:, 1])
    
    tensor([0.3104, 0.4271])
    

    指定张量的新尺寸(resize):如果想要指定张量的新尺寸(resize/reshap),可以使用 torch.view() 函数,如下所示:

    >>> x = torch.rand(2, 3)
    >>> y = x.view(6)
    >>> z = x.view(-1, 2)  # the size -1 is inferred from other dimensions
    >>> print(x.size(), y.size(), z.size())
    
    torch.Size([2, 3]) torch.Size([6]) torch.Size([3, 2])
    

    如果张量中只有一个元素,可以用 .item 函数将数值提取出来,如下所示:

    >>> x = torch.rand(1)
    >>> print(x)
    
    tensor([0.8990])
    
    >>> print(x.item())
    
    0.8989906907081604
    

    Numpy 桥(Numpy Bridge)

    Torch 张量与 Numpy 数组的互相转换非常简单。

    Torch 张量与 Numpy 数组在底层共享内存空间(假设 Torch 张量是在 CPU 上),所以改变任意一个对象,另一个也会被改变(译注:类似于 C++ 引用的机制)。

    将 Torch 张量转化为 Numpy 数组

    Converting a Torch Tensor to a NumPy Array

    如下所示:

    >>> a = torch.rand(3)
    >>> print(a)
    
    tensor([0.2020, 0.4996, 0.2897])
    
    >>> b = a.numpy()
    >>> print(b)
    
    [0.20200866 0.4995529  0.2897181 ]
    

    改变 Torch 张量值的时候,Numpy 数组的值也会被改变。如下所示:

    >>> a = torch.rand(3)
    >>> print(a)
    
    tensor([0.6871, 0.9258, 0.8865])
    
    >>> a.add_(1)
    >>> b = a.numpy()
    >>> print(b)
    
    [1.6871321 1.9258089 1.8865116]
    

    将 Numpy 数组转换成 Torch 张量

    Converting NumPy Array to Torch Tensor

    改变 numpy 数组时,Torch 张量的值也会自动地随之改变,如下所示:

    >>> a = np.ones(5)
    >>> b = torch.from_numpy(a)
    >>> np.add(a, 1, out=a)
    >>> print(a)
    
    [2. 2. 2. 2. 2.]
    
    >>> print(b)
    
    tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
    

    除 CharTensor 以外,所有的 CPU 张量都支持与 Numpy 数组的互相转换。

    CUDA 张量(CUDA Tensor)

    可以通过 .to 函数将张量转移到任何设备上,如下所示:

    >>> x = torch.ones(5)
    >>> if torch.cuda.is_available():
    >>>    device = torch.device("cuda")          # a CUDA device object
    >>>    y = torch.ones_like(x, device=device)  # directly create a tensor on GPU
    >>>    x = x.to(device)                       # or just use strings ``.to("cuda")``
    >>>    z = x + y
    >>>    print(z)
    
    tensor([2., 2., 2., 2., 2.], device='cuda:0')
    
    >>>    print(z.to("cpu", torch.double))       # ``.to`` can also change dtype together!
    
    tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
    
  • 相关阅读:
    【Android】 分享一个完整的项目,适合新手!
    Android笔记:Fragment与ViewPager组合时,如何在FragmentActicity获取Fragment对象
    android 获取日期
    Java: 分解List<HashMap<String, String>>
    android ExpandableListView实现不同的布局
    android: activity切换之效果
    android: activity之间切换的抽屉效果
    android 获取适配的bitmap等相关
    Eclipse改变外观,护眼模式
    安装 NoMachine(NX) client and server
  • 原文地址:https://www.cnblogs.com/fengyubo/p/12238950.html
Copyright © 2011-2022 走看看