当前位置:首页> AI教程> PyTorch张量和变量区别及创建方法

PyTorch张量和变量区别及创建方法

释放双眼,带上耳机,听听看~!
本文介绍PyTorch中张量和变量的区别,以及它们的创建方法和GPU加速使用。

持续创作,加速成长!这是我参与「掘金日新计划 · 10 月更文挑战」的第30天,点击查看活动详情

认识张量

张量是一个多维数组 ,它是标量、向量、矩阵的高维拓展。

PyTorch张量和变量区别及创建方法

比如说对于一张图片,它是3维张量,其中RGB就是其第三维张量。

Tensor与 Variable

Variable是Pytorch的0.4.0版本之前的一个重要的数据结构,但是从0.4.0开始,它已经并入了Tensor中了。

Variable是 torch.autograd 中的数据类型,主要用于封装Tensor ,进行自动求导。

PyTorch张量和变量区别及创建方法

  • data: 被包装的 Tensor
  • grad: data 的梯度
  • grad_fn: 创建 Tensor 的 Function ,是自动求导的关键。比如说是加法还是乘法之类的。
  • requires_grad: 指示是否需要梯度,有些不需要梯度,设置为false可以节省内存。
  • is_leaf: 指示是否是叶子结点(张量)

Tensor

PyTorch张量和变量区别及创建方法

PyTorch0.4.0版开始, Variable 并入 Tensor

  • dtype: 张量的数据类型,如 torch.FloatTensor FloatTensor, torch.cuda.FloatTensor(cuda表示数据放在了GPU上)

    PyTorch张量和变量区别及创建方法

  • shape: 张量的形状,如 (64, 3, 224, 224)

  • device: 张量所在设备, GPU/CPU ,是加速的关键

张量的创建

一、直接创建

torch.tensor()

PyTorch张量和变量区别及创建方法

功能:从data 创建 tensor

  • data : 数据 , 可以是 list, numpy
  • dtype : 数据类型,默认与 data 的一致
  • device 所在设备 , cuda cpu
  • requires_grad :是否需要梯度
  • pin_memory :是否存于锁页内存

实例如下:

import torch
import numpy as np

# Create tensors via torch.tensor

flag = True

if flag:
    arr = np.ones((3, 3))
    print("type of data:", arr.dtype)

    t = torch.tensor(arr, device='cuda')
    print(t)
type of data: float64
tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], device='cuda:0', dtype=torch.float64)

其中,cuda表示采用了gpu,0是gpu的标号,由于只有一个gpu,因此是0。

torch.from_numpy(ndarray)

功能:从numpy 创建 tensor

注意事项:从 torch.from_numpy 创建的 tensor 于原 ndarray 共享内存 ,当修改其中一个的数据,另外一个也将会被改动。

PyTorch张量和变量区别及创建方法

实例代码:

    # Create tensors via torch.from_numpy(ndarray)
    arr = np.array([[1, 2, 3], [4, 5, 6]])
    t = torch.from_numpy(arr)
    print("numpy array: ", arr)
    print("tensor : ", t)

    print("n修改arr")
    arr[0, 0] = 0
    print("numpy array: ", arr)
    print("tensor : ", t)

    print("n修改tensor")
    t[0, 0] = -1
    print("numpy array: ", arr)
    print("tensor : ", t)
    

通过结果可见,指向相同。

numpy array:  [[1 2 3]
 [4 5 6]]
tensor :  tensor([[1, 2, 3],
        [4, 5, 6]], dtype=torch.int32)

修改arr
numpy array:  [[0 2 3]
 [4 5 6]]
tensor :  tensor([[0, 2, 3],
        [4, 5, 6]], dtype=torch.int32)

修改tensor
numpy array:  [[-1  2  3]
 [ 4  5  6]]
tensor :  tensor([[-1,  2,  3],
        [ 4,  5,  6]], dtype=torch.int32)

二、依据数值创建

2.1 torch.zeros()

功能:依size 创建全 0 张量

  • size : 张量的形状 , 如 (3,3),(3,224,224)
  • out : 输出的张量
  • layout 内存中布局形式 , 有strided(默认), sparse_coo(这个通常稀疏矩阵时设置,提高读取效率) 等
  • device 所在设备 , gpu cpu
  • requires_grad :是否需要梯度

PyTorch张量和变量区别及创建方法

code:

    out_t = torch.tensor([1])

    t = torch.zeros((3, 3), out=out_t)

    print(t, 'n', out_t)
    print(id(t), id(out_t), id(t) == id(out_t))

可见,该out的值与t相同,因此out是一个输出的作用,将张量生成的数据赋值给另一个变量。

tensor([[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]]) 
 tensor([[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]])
2211683380904 2211683380904 True

2.2 torch.zeros_like()

功能:依据input 形状创建全 0 张量

  • intput : 创建与 input 同形状的全 0 张量
  • dtype : 数据类型
  • layout 内存中布局形式

2.3 torch. ones()

2.4 torch. ones_like()

功能:input 形状创建全 1 张量

其他参数一样同上。

PyTorch张量和变量区别及创建方法

2.5 torch. full()

2.6 torch.full_like()

功能:依据input 形状创建指定数据的张量

  • size : 张量的形状 , 如 (3,3)
  • fill_value : 张量的值

PyTorch张量和变量区别及创建方法

code

    t = torch.full((3, 3), 5)
    print(t)
tensor([[5, 5, 5],
        [5, 5, 5],
        [5, 5, 5]])

2.7 torch. arange

功能:创建等差的1 维张量

注意事项:数值区间为[start,end)

  • start : 数列起始值
  • end : 数列“结束值”
  • step : 数列公差,默认为 1

code

    t = torch.arange(2, 10, 2)
    print(t)
tensor([2, 4, 6, 8])

2.8 torch. linspace

功能:创建均分的1 维张量

注意事项:数值区间为[start,end)

  • start : 数列起始值
  • end : 数列结束值
  • steps : 数列长度,注意是长度。

它的步长就是(end – start)/ steps。

    t = torch.linspace(2, 10, 6)
    print(t)
tensor([ 2.0000,  3.6000,  5.2000,  6.8000,  8.4000, 10.0000])

2.9 torch. logspace

PyTorch张量和变量区别及创建方法

功能:创建对数均分的1 维张量

注意事项:长度为steps, 底为 base

  • start : 数列起始值
  • end : 数列结束值
  • steps : 数列长度
  • base : 对数函数的底,默认为 10

2.10 torch. eye()

功能:创建单位对角矩阵(2 维张量)

注意事项:默认为方阵

  • n : 矩阵行数
  • m : 矩阵列数

三、依概率分布创建张量

3.1 torch. normal()

功能:生成正态分布(高斯分布)

  • mean : 均值

  • std : 标准差

四种模式:
mean为标量, std为标量
mean为标量, std为张量
mean为张量, std为标量
mean为张量, std为张量

后三种基本用法相同,都是根据不同的维数进行

code:

    # the mean and std both are tensors
    mean = torch.arange(1, 5, dtype=torch.float)
    std = torch.arange(1, 5, dtype=torch.float)
    t_normal = torch.normal(mean, std)
    print("mean:{}nstd:{}".format(mean, std))
    print(t_normal)

由结果可知,其生成的tensor是上面每一维度的参数生成的。

mean:tensor([1., 2., 3., 4.])
std:tensor([1., 2., 3., 4.])
tensor([1.6614, 2.5338, 3.1850, 6.4853])

需要注意的是,对于mean和std都是标量的情况下,需要指定生成的size。

    # mean: scalar std: scalar
    t_normal = torch.normal(0., 1., size=(4,))
    print(t_normal)
tensor([0.6614, 0.2669, 0.0617, 0.6213])

3.2 torch. randn ()

3.3 torch. randn_like ()

功能:生成标准正态分布(均值为0,方差为1)

size : 张量的形状。

PyTorch张量和变量区别及创建方法

3.4 torch. rand()

3.5 torch. rand_like

功能:在区间[0,1) 上,生成均匀分布

3.6 torch. randint ()

3.7 torch. randint_like ()

功能:区间[low, high) 生成整数均匀分布

size : 张量的形状

PyTorch张量和变量区别及创建方法

3.8 torch. randperm ()

功能:生成生成从0 到 n-1 的随机排列

n : 张量的长度

PyTorch张量和变量区别及创建方法

3.9 torch. bernoulli ()

功能 :以 input 为概率,生成伯努力分布(0 1 分布,两点分布)

input : 概率值

PyTorch张量和变量区别及创建方法

本网站的内容主要来自互联网上的各种资源,仅供参考和信息分享之用,不代表本网站拥有相关版权或知识产权。如您认为内容侵犯您的权益,请联系我们,我们将尽快采取行动,包括删除或更正。
AI教程

图像增强及运算篇之图像掩膜直方图和HS直方图

2023-12-8 12:34:14

AI教程

基于Label Studio实现UIE信息抽取智能标注方案,提升标注效率

2023-12-8 12:44:14

个人中心
购物车
优惠劵
今日签到
有新私信 私信列表
搜索