torch中Tensor的使用

pytorch中张量tensor的使用以及相关函数介绍

导入torch模块

import torch

#初始化一个2*3矩阵
X=[ [1,2,3],
    [4,5,6] ]

Tensor生成

#生成整型张量
a=torch.IntTensor(X)
print(a)
>>tensor([[1, 2, 3],
        [4, 5, 6]], dtype=torch.int32)
#自定义数据维度生成(2,3)
b=torch.IntTensor(2,3)
print(b)
>>tensor([[0, 0, 0],
        [0, 0, 0]], dtype=torch.int32)

#生成浮点型张量
c=torch.FloatTensor(X)
print(c)
>>tensor([[1., 2., 3.],
        [4., 5., 6.]])
d=torch.FloatTensor(2,3)
print(d)
>>tensor([[0., 0., 0.],
        [0., 0., 0.]])

#生成空的张量
e=torch.empty(1,3)
print(e)
>>tensor([[2.3694e-38, 3.6013e-43, 0.0000e+00]])

#生成均匀分布的随机张量
f=torch.rand(2,3)
print(f)
>>tensor([[0.4933, 0.1631, 0.7526],
        [0.7490, 0.0400, 0.6873]])

#生成标准正态分布的随机张量
g=torch.randn(2,3)
print(g)
>>tensor([[-0.6483,  0.6056, -0.2008],
        [ 0.5404,  0.4420,  0.6512]])

#生成离散正态分布的随机张量,均值为1，标准差为0.1
h=torch.normal(1,0.1,(2,3))
print(h)
>>tensor([[1.1328, 0.8543, 1.0340],
        [0.9768, 1.0010, 1.0519]])

#生成指定维度的张量，使用指定数值填充
i=torch.full((2,3),2)
print(i)
>>tensor([[2, 2, 2],
        [2, 2, 2]])

#生成指定值为1的固定维度张量
j=torch.ones(2,3)
print(j)
>>tensor([[1., 1., 1.],
        [1., 1., 1.]])

#生成指定值为0的固定维度张量
k=torch.zeros(2,3)
print(k)
>>tensor([[0., 0., 0.],
        [0., 0., 0.]])

Tensor转换

将list和ndarray数值转换成tensor

import numpy as np

Y=np.array(X)
print(Y)
>>[[1 2 3]
 [4 5 6]]
 
#直接将数据转换成tensor
a=torch.tensor(Y)
print(a)
>>tensor([[1, 2, 3],
        [4, 5, 6]], dtype=torch.int32)

#as_tensor()会将内存空间进行改变
b=torch.as_tensor(Y)
print(b)
>>tensor([[1, 2, 3],
        [4, 5, 6]], dtype=torch.int32)
Y[0][0]=0
print(Y)
>>[[0 2 3]
 [4 5 6]]

改变tensor形状

Y=np.array(X)
a=torch.tensor(Y)
print(a.size())
>>torch.Size([2, 3])

#将2*3转换成3*2
b=a.view(3,2)
print(b.size())
>>torch.Size([3, 2])

tensor默认存储在cpu上，当存在GPU时，可以将数据加载到GPU提速

a.cuda()	#加载到gpu上
a.cpu()		#加载到cpu上

#自动选择,若有gpu则加载到GPU上，否则使用cpu
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
a.device()

自动求导

x=torch.ones(2,2,requires_grad=True)
y=x+2
z=y*y*3
out=z.mean()
out.backward()
print(x.grad)
>>tensor([[4.5000, 4.5000],
        [4.5000, 4.5000]])