张量的基础概念
学习使用pytorc库进行深度学习网络搭建时,张量这个词总是不定时会出现。其实,Pytorch中的所有操作都是在张量的基础上进行的,今天就来了解张量到底是什么
由PyTorch官网官网介绍可知,一个Tensor是一个包含单一数据类型的多维矩阵。
通常,其多维特性用三维及以上的矩阵来描述,例如下图所示:单个元素为标量(scalar),一个序列为向量(vector),多个序列组成的平面为矩阵(matrix),多个平面组成的立方体为张(tensor)。PS:张量也无需严格限制在三维及以上才叫张量,也有一维张量、二维张量
直白话:其实就把张量理解成数组就行,只不过里面的数据类型比较特殊,因此,几维张量外面就相当于最外层数组包含几层[ ]
为什么深度学习要使用Tensor
监督机器学习模型的输入X通常是多个特征列组成的二维矩阵,输出y是单个特征列组成的标签向量或多个特征列组成的二维矩阵。那么深度学习中,为何要定义多维矩阵Tensor呢?
深度学习当前最成熟的两大应用方向莫过于CV和NLP,其中CV面向图像和视频,NLP面向语音和文本,二者分别以卷积神经网络和循环神经网络作为核心基础模块,且标准输入数据集都是至少三维以上。其中,
-
图像数据集:至少包含三个维度(样本数Nx图像高度Hx图像宽度W);如果是彩色图像,则还需增加一个通道C,包含四个维度(NxHxWxC);如果是视频帧,可能还需要增加一个维度T,表示将视频划分为T个等时长的片段。
-
文本数据集:包含三个维度(样本数N×序列长度L×特征数H)。
因此,输入学习模型的输入数据结构通常都要三维以上,这也就促使了Tensor的诞生。
Tensor数据类型
下面这种图展示了大部分张量数据类型
张量的每种数据类型都有对应CPU和GPU版本,因此进行张量处理的时候需要指定一个设备,它要么是CPU要么是GPU,因此我们可以用torch.device来创建一个设备,并指定索引,例如:
device=torch.device('cuda:0')
输出结果为:device(type='cuda',index=0),可看到类型为'cuda',即GPU,索引0表示为第一个GPU。
Tensor形状
张量具有如下形状属性:
-
Tensor.ndim:张量的维度,例如向量的维度为1,矩阵的维度为2。
-
Tensor.shape: 张量每个维度上元素的数量。
-
Tensor.shape[n]:张量第n维的大小。第n维也称为轴(axis)。
-
Tensor.numel:张量中全部元素的个数。
创建一个四位张量Tensor
Tensor=torch.ones([2,3,4,5])
它的属性axis、shape、dimension、ndim之间关系如下图所示。
Tensor创建
Pytorch可基于给定数据手动创建Tensor,并提供了多种方式
- torch.tensor()
import numpy as np
import torch
arr = np.ones((3, 3))
'''
[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]
'''
print(arr)
ndarray的数据类型: float64
print("ndarray的数据类型:", arr.dtype)
t= torch.tensor(arr)
'''
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
'''
print(t)
- 从numpy创建Tensor ->torch.from_numpy(ndarray)
import numpy as np
import torch
创建一个numpy数组
numpy_array = np.array([[1, 2, 3], [4, 5, 6]])
从numpy数组创建一个Tensor,并保持数据共享(更改Tensor内容会同时改变numpy数组)
tensor_from_numpy = torch.from_numpy(numpy_array)
print(tensor_from_numpy)
输出:
tensor([[1, 2, 3],
[4, 5, 6]], dtype=torch.int32)
修改tensor,array也会被修改
print("# -----------修改tensor--------------*")
t[0, 0] = -1
print("numpy array: ", arr)
输出:
numpy array: [[-1 2 3]
[ 4 5 6]]
print("tensor : ", t)
输出:
tensor([[-1, 2, 3],
[4, 5, 6]], dtype=torch.int32)
- 根据数值创建张量
**1.**torch.zeros():根据size创建全0张量
torch.zeros(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
-
torch.zeros_like:根据input形状创建全0张量
torch.zeros_like(input, dtype=None, layout=None, device=None, requires_grad=False, memory_format=torch.preserve_format)
此外 还有一些如下:
-
torch.full() & torch.full_like():创建自定义某一数值的张量。
-
torch.linspace():创建均分的一维张量
5.torch.logspace():创建对数均分的一维张量
6.torch.arrange():创建等差的一维张量
- torch.eye():创建单位对角矩阵
- 根据概率创建张量
1.torch.normal():生成正态分布(高斯分布)
torch.normal(mean, std, *, generator=None, out=None)