Pytorch张量 - 技术栈

在conda的环境中安装Jupyter及其他软件包
Pytorch 建立在张量（tensor）之上，Pytorch张量是一个 n 维数组，类似于 NumPy 数组。专门针对GPU设计，可以运行在GPU上以加快计算效率。换句话说，Pytorch张量是可以运行在GPU上的多维数据。

基础语法

定义张量数据类型

默认数据类型

指定数据类型

改变张量数据类型

张量与Numpy数组间的转换

[将张量转换为 Numpy 数组](#将张量转换为 Numpy 数组)

[将 Numppy 数组转换为张量](#将 Numppy 数组转换为张量)

基础语法

Pytorch张量	Numpy数组
torch.ones(.)	numpy.ones(.)	创建一个一数组
torch.zeros(.)	numpy.zeros(.)	创建一个零数组
torch.rand(.)	numpy.random.rand(.)	创建随机数组
torch.tensor(.)	numpy.array(.)	从给定值创建数组
x.shape or x.size()	x.shape	获取数组形状

定义张量数据类型

默认数据类型

默认张量数据类型为 torch.float32

复制代码

import torch
x = torch.ones(2, 2)
print(x)
print(x.dtype)

指定数据类型

复制代码

x = torch.ones(2, 2, dtype=torch.int8)
print(x)
print(x.dtype)

改变张量数据类型

先定义一个张量，打印其数据类型

复制代码

x=torch.ones(1)
print(x.dtype)

通过".type()"命令改变数据类型

复制代码

x=x.type(torch.torch.uint8)
print(x.dtype)

可以看到数据类型由torch.float32改变为了torch.uint8

张量与Numpy数组间的转换

将张量转换为 Numpy 数组

定义一个随机张量

复制代码

x=torch.rand(2,2)
print(x)
print(x.dtype)

通过".numpy()"命令转换为numpy数组

复制代码

y=x.numpy()
print(y)
print(y.dtype)

将 Numppy 数组转换为张量

定义一个numpy数组

复制代码

import numpy as np
x=np.zeros((2,2),dtype=np.float32)
print(x)
print(x.dtype)

用".from_numpy()"命令转换为张量

复制代码

y=torch.from_numpy(x)
print(y)
print(y.dtype)

在设备间移动张量

一般情况下，Pytorch 张量存储在 CPU 上，张量运行在 GPU上以加快计算速率，这是张量的主要优势。为了有效利用这个优势，需要将张量移动到 CUDA 设备，可以使用 .to 方法将张量移动到相应设备上。

默认在CPU上定义张量

使用".tensor()"命令，张量一般默认定义在CPU上

复制代码

x=torch.tensor([1, 1.5])
print(x)
print(x.device)

定义CUDA设备

复制代码

if torch.cuda.is_available():
    device=torch.device("cuda:0")
torch.cuda.current_device()

将张量移动到CUDA设备

复制代码

x = x.to(device)
print(x)
print(x.device)

将张量移动到CPU

复制代码

device = torch.device("cpu")
x = x.to(device)
print(x)
print(x.device)

在任意设备上定义张量

复制代码

device = torch.device("cuda:0")
x = torch.ones(2,2, device=device)
print(x)