Pytorch预备知识------数据操作
原文链接: 数据操作 --- 动手学深度学习
本文主要对Pytorch中张量(tensor)的基本操作进行介绍,主要包括张量的一些运算和重要机制等,主要包括以下内容:
- 基本介绍
- 基本运算符
- 广播机制
- 切片与索引
- 内存节省小tips
基本介绍
张量是pytorch中的最基本的数据类型,其与数组很类似,可以被看做为一个n维数组。使用张量,需要先导入torch包
import torch
张量和数组一样,可能有多个维度,其中每个维度对应一个轴。在张量的上下文中,维度 通常是指张量的秩(rank),也称为轴的数量。维度大小指的是某个轴上元素数量
具有一个轴的张量对应数学上的向量(vector),具有两个轴的张量对应数学上的矩阵(matrix)
张量打印出来类似于python中的列表[[...],[...],[...]]
张量有轴的概念,一个行向量只有一个轴0,一个二维张量有两个轴,分别为轴0和轴1 最外层的列表对应于轴0,内层的列表对应于轴1,依此类推 某个轴的长度即对应该轴对应列表中的元素个数
可以使用如下方法来创建一个张量
- 使用
x = torch.arange(n)
创建一个行向量 x ,从0开始的具有n个元素的向量,默认为整数类型
python
x = torch.arange(12)
x
python
tensor([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
- 实现特殊张量(包括全0,全1,其他常量等)。例如,一个全是0的形状为(2,3,4)的张量
torch.zeros((2,3,4))
python
# 全0向量
torch.zeros((2,3,4))
python
tensor([[[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]],
[[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]]])
python
# 全1向量
torch.ones(2,3,4)
python
tensor([[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]],
[[1., 1., 1., 1.],
[1., 1., 1., 1.],
[1., 1., 1., 1.]]])
- 用shape属性来访问张量的形状(即沿每个轴的长度)
python
x.shape
python
torch.Size([12])
- 用numel方法来查看一个张量的大小
python
x.numel()
12
- 用reshape函数来改变张量的形状(不改变张量元素的值和数量)
python
# 例如,把张量x从形状为(12,)的行向量转换为形状为(3,4)的矩阵
X = x.reshape((3,4))
python
tensor([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
python
# 如果我们的目标形状是(高度,宽度)
# 那么在知道宽度or高度后,高度or宽度会被自动计算得出,不必我们自己做除法
X = x.reshape(-1,4)
X
python
tensor([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
- 利用某个特定分布来随机初始化张量
python
# 例如,创建一个形状为(3,4)的张量
# 其中的每个元素都从均值为0、标准差为1的标准高斯分布(正态分布)中随机采样
torch.randn(3,4)
# 与torch.randn((3,4))等价
python
tensor([[-1.3115, -0.4134, 0.4248, -0.8907],
[-0.1838, -1.2467, 0.0754, 1.1034],
[-1.0219, -0.5639, -0.3624, -0.2522]])
- 用列表来初始化一个张量
python
torch.tensor([[2, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
lua
tensor([[2, 1, 4, 3],
[1, 2, 3, 4],
[4, 3, 2, 1]])
数学运算
对于张量来说,其中最简单且最有用的操作是按元素运算。
对于任意具有相同形状的张量常见的标准算术运算符(+、-、*、/和**)
都可以被升级为按元素运算。
pyhton
x = torch.tensor([1.0, 2, 4, 8])
y = torch.tensor([2, 2, 2, 2])
x + y, x - y, x * y, x / y, x ** y
pyhton
(tensor([ 3., 4., 6., 10.]),
tensor([-1., 0., 2., 6.]),
tensor([ 2., 4., 8., 16.]),
tensor([0.5000, 1.0000, 2.0000, 4.0000]),
tensor([ 1., 4., 16., 64.]))
python
torch.exp(x)
scss
tensor([2.7183e+00, 7.3891e+00, 5.4598e+01, 2.9810e+03])
python
# 将多个张量连结(堆叠)起来以形成一个更大的张量
# 只需要给出沿着那个轴连结即可
# 具体见下面例子,X和Y的形状都是(3,4)
X = torch.arange(12, dtype=torch.float32).reshape((3,4))
Y = torch.tensor([[2.0, 1, 4, 3], [1, 2, 3, 4], [4, 3, 2, 1]])
# 按轴0连结 行
# [[],[],[]+[],[],[]]=>(3+3,4)=(6,4)
res = torch.cat((X,Y),dim=0)
print(res)
print(res.shape)
python
tensor([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.],
[ 2., 1., 4., 3.],
[ 1., 2., 3., 4.],
[ 4., 3., 2., 1.]])
torch.Size([6, 4])
张量连结操作
python
# 按轴1连结 列
# [[...+...],[...+...],[...+...]]=>(3,4+4)=(3,8)
res = torch.cat((X,Y),dim=1)
print(res)
print(res.shape)
lua
tensor([[ 0., 1., 2., 3., 2., 1., 4., 3.],
[ 4., 5., 6., 7., 1., 2., 3., 4.],
[ 8., 9., 10., 11., 4., 3., 2., 1.]])
torch.Size([3, 8])
逻辑运算符
python
# 有时,我们想通过逻辑运算符构建二元张量
# 以X == Y为例: 对于每个位置,如果X和Y在该位置相等,则新张量中相应项的值为1。
# 这意味着逻辑语句X == Y在该位置处为真,否则该位置为0。
X==Y
pyhton
tensor([[False, True, False, True],
[False, False, False, False],
[False, False, False, False]])
张量sum求和
pyhton
# 用sum()方法对张量中所有元素求和
X.sum()
pyhton
tensor(66.)
可以对张量某个轴上的元素进行求和
py
# 对轴0(行)上的元素进行求和,轴0上的对应元素进行求和
# 求和后轴0的维度会消失
X.sum(dim=0)
py
X = tensor([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
py
tensor([12., 15., 18., 21.])
广播机制
上面的部分中,我们看到了如何在相同形状的两个张量上执行按元素操作。
在某些情况下,即使形状不同,我们仍然可以通过调用广播机制来执行按元素操作
具体工作方式如下:
-
通过适当复制元素来扩展一个或两个数组,以便在转换之后,两个张量具有相同的形状
-
对生成的数组执行按元素操作
可以进行广播机制的条件:
-
每个tensor至少有一个维度
-
遍历tensor所有维度时,从末尾随开始遍历,两个维度存在以下情况
-
维度大小相等
-
维度不等且其中一个维度为1
-
维度不等且其中一个维度不存在(即维度大小为1),一个标量可以和任何张量进行广播机制,因为标量可以看做是(1,1,1,...)形状的张量
-
广播遵循以下规则
- 如果两个tensor的维度不同,则在维度较小的tensor的前面增加维度,使它们维度相等。
- 对于每个维度,计算结果的维度值取两个tensor中较大的那个值。
- 两个tensor扩展维度的过程是将数值进行复制。
py
a = torch.arange(3).reshape((3, 1))
b = torch.arange(2).reshape((1, 2))
a,b
py
(tensor([[0],
[1],
[2]]),
tensor([[0, 1]]))
执行相加操作
py
# a为(3,1),b为(1,2),形状不同,无法直接相加
# 通过广播机制,会自动将a和b都扩展(3,2)的矩阵
# 运算过程中 a = ([0,0],[1,1],[2,2]) b = ([0,1],[0,1],[0,1])
a + b
py
tensor([[0, 1],
[1, 2],
[2, 3]])
逻辑运算
py
a == b #此处也会利用广播机制
py
tensor([[ True, False],
[False, True],
[False, False]])
索引和切片
和py中的数组中一样,张量中的元素也可以通过索引访问
第一个元素的索引是0,最后一个元素索引是-1
可以指定范围以包含第一个元素和最后一个之前的元素
py
X = tensor([[ 0., 1., 2., 3.],
[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.]])
X[-1],X[1:3]
# X[L:R]是左闭右开,即[L,R)
py
(tensor([ 8., 9., 10., 11.]),
tensor([[ 4., 5., 6., 7.],
[ 8., 9., 10., 11.]]))
除读取外,还可以通过指定索引来将元素写入矩阵
py
X[1, 2] = 9
# 表示将第1行第2列的元素赋值为9
# 逗号分隔的是不同轴上的索引
X
py
tensor([[ 0., 1., 2., 3.],
[ 4., 5., 9., 7.],
[ 8., 9., 10., 11.]])
为多个元素同时赋值
py
# 为多个元素赋值
X[1:2,1:3]=-1
# 表示将第[1,2)行中的是第[1,-1)列的元素赋值为-1,-1此处相当于2
X
py
tensor([[ 0., 1., 2., 3.],
[ 4., -1., -1., 7.],
[ 8., 9., 10., 11.]])
ps:切片和索引的数组都可以缺省表示,会遵循最大范围原则,即缺省会尽量使得索引表示的范围尽量大
py
# 如下所示,第一个轴上的索引为:,根据取最大范围原则,默认相当于[0:3]
X[:,1:2]
py
tensor([[1],
[5],
[9]])
内存节省小tips
在执行Y = X + Y的时候,运算前后Y指向的内存地址会发生变化
why:Python首先计算X + Y,为结果分配新的内存,然后使Y指向内存中的这个新位置
py
before = id(Y)
Y = Y + X
before == id(Y)
# False
解决方案:使用Y+=X or Y[:]
来代替Y
py
# 如何减少分配内存的次数?可以用索引来代替,如用Y[:]来代替Y
# 或者使用类似于Y += X这样的运算方式
Z = torch.zeros_like(Y)
print('id(Z):', id(Z))
Z[:] = X + Y
print('id(Z):', id(Z))
py
id(Z): 2594934203592
id(Z): 2594934203592
py
Z = torch.zeros_like(Y)
print('id(Z):', id(Z))
Z += X
print('id(Z):', id(Z))
py
id(Z): 2594933992760
id(Z): 2594933992760
将张量转换为其他python对象
张量转换为NumPy张量(ndarray)很容易,反之也同样容易
torch张量和numpy数组将共享它们的底层内存
就地操作更改一个张量也会同时更改另一个张量
py
A = X.numpy()
A
# array([[ 0, 1, 2, 3],
# [ 4, 5, 6, 7],
# [ 8, 9, 10, 11]], dtype=int64)
py
A[0,0]=1
# 修改A中的元素值,X中的值也会随之改变
A
A的值发生变化
py
array([[ 1, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]], dtype=int64)
由于共享相同的内存,X的值也发生了变化
py
X
#tensor([[ 1, 1, 2, 3],
# [ 4, 5, 6, 7],
# [ 8, 9, 10, 11]])