PyTorch的张量详解

tensor的定义

import torch
# 通过具体数据定义张量
a = torch.Tensor([[1, 2], [3, 4]])

# 通过数据结构定义张量
a = torch.Tensor(2, 3)  # 默认值不管
a = torch.Tensor(2, 3).uniform_(-1, 1)  # 均匀分布
a = torch.ones(2, 3)  # 全是1
a = torch.zeros(2, 3)  # 全是0
a = torch.eye(2, 3)  # 对角线是1
a = torch.rand(2, 3)  # 0到1的随机数

# 一维张量
a = torch.normal(mean=0.0, std=torch.rand(5))  # 正态分布的值，参数是均值和标准差
a = torch.normal(mean=torch.rand(5), std=torch.rand(5))  # 正态分布的值，参数是均值和标准差
a = torch.arange(0, 10, 1)  # 0到9顺序值，步进设为1
a = torch.linspace(2, 10, 3)  # 2到10内的等差数列，总共3个值
a = torch.randperm(10)  # 0到9随机整数，总共10个值

# 通过一个已经存在的张量的数据结构，定义新张量
b = torch.zeros_like(a)

tensor的属性

• torch.dtype # 数据类型
• torch.device # 存储的设备名字：是CPU还是哪块GPU
• torch.layout # 表示数据在内存中怎么布局的：稠密的张量还是稀疏的张量，默认是稠密的

import torch

# 定义张量时，指定存储设备和张量类型
a = torch.tensor([2, 3], device=torch.device('cpu'), dtype=torch.float32)

# 定义稀疏的张量
i = torch.tensor([[0, 1, 2], [0, 1, 2]])  # 坐标
v = torch.tensor([1, 2, 3])  # 具体值
a = torch.sparse_coo_tensor(i, v, (4, 4))

# 将稀疏的张量转为稠密的张量
b = a.to_dense()
print(b)

稀疏表达的当前数据中，非0元素的个数，非0元素越多就越稀疏，如果全不是0就最稀疏

tensor的运算

import torch

# 加减乘除（对应位置）

a = torch.rand(2, 3)
b = torch.rand(2, 3)
print(a+b)
print(a-b)
print(a*b)
print(a/b)
print(a%2)  # 取余数
print(a**3)  # 指数运算
print(a.log())  # 对数运算
print(a.sqrt())  # 开平方


# 矩阵运算
a = torch.ones(1, 2, 3, 4)
b = torch.ones(1, 2, 4, 3)
print(a @ b)

# 取整数
print(a.floor())  # 向下取整
print(a.trunc())  # 向下取整
print(a.ceil())  # 向上取整
print(a.round())  # 四舍五入
# 取小数
print(a.frac())

# 比较运算（逐个元素比较并返回掩码张量）
# 注意这里也可以直接使用比较运算符
a = torch.rand(2, 3)
b = torch.rand(2, 3)
print(a.eq(b))  # ==
print(a.ge(b))  # >=
print(a.gt(b))  # >
print(a.le(b))  # <=
print(a.lt(b))  # <
print(a.ne(b))  # !=
# 还有一种两个张量完全相等
print(a.equal(b))


# 排序
a = torch.tensor([[1,3,2],[5,2,7]])
a.sort(dim=1, descending=False)  # 对一维进行排序，并降序

# 合法性效验（返回掩码张量）
a.isfinite()  # 是否有界
a.isinf()  # 是否无界（无穷）
a.isnan(a)  # 是否为None

# 其他数学函数
torch.abs()  # 绝对值
torch.sign()  # 符号值(负数、正数、零)
torch.sigmoid()  # 正态分布函数（将数据分布到0和1之间）

两个张量的运算不一定要结构相同，如果满足广播机制的相关结构，则可以进行广播运算