《解锁 PyTorch 张量：多维数据操作与 GPU 性能优化全解析》

本篇技术博文摘要 🌟

文章开篇详细介绍了张量的多维特性，通过 2D 矩阵及其他维度的创建方法，为读者构建起对张量结构的直观理解。

随后深入解析张量的关键属性 ，包括数据类型、形状和设备位置，并通过示例代码加深理解。核心部分聚焦张量操作技术，涵盖基础运算、形状变换、数学计算、条件筛选及与其他张量的交互操作，为实际开发提供完整工具箱。

文章特别强调了GPU 加速策略，指导如何将张量迁移至 GPU 并进行可用性检查，以最大化计算效能。

最后，系统讲解PyTorch 与 NumPy 的互操作机制，包括内存共享与数据复制等关键细节，实现与科学计算生态的无缝衔接。整篇文章将理论解析与代码示例相结合，为读者提供了从基础到进阶的全面张量操作指南。

引言 📘

在这个变幻莫测、快速发展的技术时代，与时俱进是每个IT工程师的必修课。

我是盛透侧视攻城狮，一名什么都会一丢丢的网络安全工程师，也是众多技术社区的活跃成员以及多家大厂官方认可人员，希望能够与各位在此共同成长。

上节回顾

目录

[本篇技术博文摘要 🌟](#本篇技术博文摘要 🌟)

[引言 📘](#引言 📘)

上节回顾

[1.PyTorch 张量（Tensor）](#1.PyTorch 张量（Tensor）)

1.1各维度张量（Tensor）说明：

1.2创建张量的方式表格

[1.2.1创建 2D 张量（矩阵）：](#1.2.1创建 2D 张量（矩阵）：)

1.3.1其他维度的创建：

2.张量的属性表格

2.1示例

3.张量的操作

3.1张量的基础操作表

3.2形状操作

3.3具体操作示例

3.3.1索引和切片操作

3.3.2形状变换操作

3.3.3数学运算操作

3.3.4与其他张量的操作

3.3.5条件判断和筛选

[4.张量的 GPU 加速](#4.张量的 GPU 加速)

[4.1将张量转移到 GPU：](#4.1将张量转移到 GPU：)

[4.2检查 GPU 是否可用：](#4.2检查 GPU 是否可用：)

[5.张量与 NumPy 的互操作表](#5.张量与 NumPy 的互操作表)

[5.1张量与 NumPy 的互操作示例](#5.1张量与 NumPy 的互操作示例)

[5.1.1NumPy 数组转换为 PyTorch 张量](#5.1.1NumPy 数组转换为 PyTorch 张量)

[5.1.2PyTorch 张量转换为 NumPy 数组](#5.1.2PyTorch 张量转换为 NumPy 数组)

5.1.3不共享内存的情况（需要复制数据）

欢迎各位彦祖与热巴畅游本人专栏与技术博客

你的三连是我最大的动力

点击➡️指向的专栏名即可闪现

1.PyTorch 张量（Tensor）

张量是一个多维数组，可以是标量、向量、矩阵或更高维度的数据结构。

在 PyTorch 中，张量（Tensor）是数据的核心表示形式，类似于 NumPy 的多维数组，但具有更强大的功能，例如支持 GPU 加速和自动梯度计算。

张量支持多种数据类型（整型、浮点型、布尔型等）。

张量可以存储在 CPU 或 GPU 中，GPU 张量可显著加速计算。

下图展示了不同维度的张量（Tensor）在 PyTorch 中的表示方法：

1.1各维度张量（Tensor）说明：

1D Tensor / Vector（一维张量/向量）: 最基本的张量形式，可以看作是一个数组，图中的例子是一个包含 10 个元素的向量。

2D Tensor / Matrix（二维张量/矩阵）: 二维数组，通常用于表示矩阵，图中的例子是一个 4x5 的矩阵，包含了 20 个元素。

**3D Tensor / Cube（三维张量/立方体）:**三维数组，可以看作是由多个矩阵堆叠而成的立方体，图中的例子展示了一个 3x4x5 的立方体，其中每个 5x5 的矩阵代表立方体的一个"层"。

4D Tensor / Vector of Cubes（四维张量/立方体向量）: 四维数组，可以看作是由多个立方体组成的向量，图中的例子没有具体数值，但可以理解为一个包含多个 3D 张量的集合。

5D Tensor / Matrix of Cubes（五维张量/立方体矩阵）: 五维数组，可以看作是由多个4D张量组成的矩阵，图中的例子同样没有具体数值，但可以理解为一个包含多个 4D 张量的集合。

1.2创建张量的方式表格

方法	说明	示例代码
`torch.tensor(data)`	从 Python 列表或 NumPy 数组创建张量。	`x = torch.tensor([[1, 2], [3, 4]])`
`torch.zeros(size)`	创建一个全为零的张量。	`x = torch.zeros((2, 3))`
`torch.ones(size)`	创建一个全为 1 的张量。	`x = torch.ones((2, 3))`
`torch.empty(size)`	创建一个未初始化的张量。	`x = torch.empty((2, 3))`
`torch.rand(size)`	创建一个服从均匀分布的随机张量，值在 `[0, 1)`。	`x = torch.rand((2, 3))`
`torch.randn(size)`	创建一个服从正态分布的随机张量，均值为 0，标准差为 1。	`x = torch.randn((2, 3))`
`torch.arange(start, end, step)`	创建一个一维序列张量，类似于 Python 的 `range`。	`x = torch.arange(0, 10, 2)`
`torch.linspace(start, end, steps)`	创建一个在指定范围内等间隔的序列张量。	`x = torch.linspace(0, 1, 5)`
`torch.eye(size)`	创建一个单位矩阵（对角线为 1，其他为 0）。	`x = torch.eye(3)`
`torch.from_numpy(ndarray)`	将 NumPy 数组转换为张量。	`x = torch.from_numpy(np.array([1, 2, 3]))`

使用 torch.tensor() 函数，你可以将一个列表或数组转换为张量：

python 复制代码

import torch

tensor = torch.tensor([1, 2, 3])
print(tensor)

如果你有一个 NumPy 数组，可以使用 torch.from_numpy() 将其转换为张量：

python 复制代码

import numpy as np

np_array = np.array([1, 2, 3])
tensor = torch.from_numpy(np_array)
print(tensor)

1.2.1创建 2D 张量（矩阵）：

python 复制代码

import torch

tensor_2d = torch.tensor([
    [-9, 4, 2, 5, 7],
    [3, 0, 12, 8, 6],
    [1, 23, -6, 45, 2],
    [22, 3, -1, 72, 6]
])
print("2D Tensor (Matrix):\n", tensor_2d)
print("Shape:", tensor_2d.shape)  # 形状

1.3.1其他维度的创建：

python 复制代码

# 创建 3D 张量（立方体）
tensor_3d = torch.stack([tensor_2d, tensor_2d + 10, tensor_2d - 5])  # 堆叠 3 个 2D 张量
print("3D Tensor (Cube):\n", tensor_3d)
print("Shape:", tensor_3d.shape)  # 形状

# 创建 4D 张量（向量的立方体）
tensor_4d = torch.stack([tensor_3d, tensor_3d + 100])  # 堆叠 2 个 3D 张量
print("4D Tensor (Vector of Cubes):\n", tensor_4d)
print("Shape:", tensor_4d.shape)  # 形状

# 创建 5D 张量（矩阵的立方体）
tensor_5d = torch.stack([tensor_4d, tensor_4d + 1000])  # 堆叠 2 个 4D 张量
print("5D Tensor (Matrix of Cubes):\n", tensor_5d)
print("Shape:", tensor_5d.shape)  # 形状

2.张量的属性表格

属性	说明	示例
`.shape`	获取张量的形状	`tensor.shape`
`.size()`	获取张量的形状	`tensor.size()`
`.dtype`	获取张量的数据类型	`tensor.dtype`
`.device`	查看张量所在的设备 (CPU/GPU)	`tensor.device`
`.dim()`	获取张量的维度数	`tensor.dim()`
`.requires_grad`	是否启用梯度计算	`tensor.requires_grad`
`.numel()`	获取张量中的元素总数	`tensor.numel()`
`.is_cuda`	检查张量是否在 GPU 上	`tensor.is_cuda`
`.T`	获取张量的转置（适用于 2D 张量）	`tensor.T`
`.item()`	获取单元素张量的值	`tensor.item()`
`.is_contiguous()`	检查张量是否连续存储	`tensor.is_contiguous()`

2.1示例

python 复制代码

import torch

# 创建一个 2D 张量
tensor = torch.tensor([[1, 2, 3], [4, 5, 6]], dtype=torch.float32)

# 张量的属性
print("Tensor:\n", tensor)
print("Shape:", tensor.shape)  # 获取形状
print("Size:", tensor.size())  # 获取形状（另一种方法）
print("Data Type:", tensor.dtype)  # 数据类型
print("Device:", tensor.device)  # 设备
print("Dimensions:", tensor.dim())  # 维度数
print("Total Elements:", tensor.numel())  # 元素总数
print("Requires Grad:", tensor.requires_grad)  # 是否启用梯度
print("Is CUDA:", tensor.is_cuda)  # 是否在 GPU 上
print("Is Contiguous:", tensor.is_contiguous())  # 是否连续存储

# 获取单元素值
single_value = torch.tensor(42)
print("Single Element Value:", single_value.item())

# 转置张量
tensor_T = tensor.T
print("Transposed Tensor:\n", tensor_T)

3.张量的操作

3.1张量的基础操作表

操作	说明	示例代码
`+`, `-`, `*`, `/`	元素级加法、减法、乘法、除法。	`z = x + y`
`torch.matmul(x, y)`	矩阵乘法。	`z = torch.matmul(x, y)`
`torch.dot(x, y)`	向量点积（仅适用于 1D 张量）。	`z = torch.dot(x, y)`
`torch.sum(x)`	求和。	`z = torch.sum(x)`
`torch.mean(x)`	求均值。	`z = torch.mean(x)`
`torch.max(x)`	求最大值。	`z = torch.max(x)`
`torch.min(x)`	求最小值。	`z = torch.min(x)`
`torch.argmax(x, dim)`	返回最大值的索引（指定维度）。	`z = torch.argmax(x, dim=1)`
`torch.softmax(x, dim)`	计算 softmax（指定维度）。	`z = torch.softmax(x, dim=1)`

3.2形状操作

操作	说明	示例代码
`x.view(shape)`	改变张量的形状（不改变数据）。	`z = x.view(3, 4)`
`x.reshape(shape)`	类似于 `view`，但更灵活。	`z = x.reshape(3, 4)`
`x.t()`	转置矩阵。	`z = x.t()`
`x.unsqueeze(dim)`	在指定维度添加一个维度。	`z = x.unsqueeze(0)`
`x.squeeze(dim)`	去掉指定维度为 1 的维度。	`z = x.squeeze(0)`
`torch.cat((x, y), dim)`	按指定维度连接多个张量。	`z = torch.cat((x, y), dim=1)`

3.3具体操作示例

3.3.1索引和切片操作

python 复制代码

import torch

# 创建一个 2D 张量
tensor = torch.tensor([[1, 2, 3], [4, 5, 6]], dtype=torch.float32)
print("原始张量:\n", tensor)

print("\n【索引和切片】")
print("获取第一行:", tensor[0])  # 获取第一行
print("获取第一行第一列的元素:", tensor[0, 0])  # 获取特定元素
print("获取第二列的所有元素:", tensor[:, 1])  # 获取第二列所有元素

3.3.2形状变换操作

python 复制代码

import torch

# 创建一个 2D 张量
tensor = torch.tensor([[1, 2, 3], [4, 5, 6]], dtype=torch.float32)

print("\n【形状变换】")
reshaped = tensor.view(3, 2)  # 改变张量形状为 3x2
print("改变形状后的张量:\n", reshaped)
flattened = tensor.flatten()  # 将张量展平成一维
print("展平后的张量:\n", flattened)

3.3.3数学运算操作

python 复制代码

import torch

# 创建一个 2D 张量
tensor = torch.tensor([[1, 2, 3], [4, 5, 6]], dtype=torch.float32)

print("\n【数学运算】")
tensor_add = tensor + 10  # 张量加法
print("张量加 10:\n", tensor_add)
tensor_mul = tensor * 2  # 张量乘法
print("张量乘 2:\n", tensor_mul)
tensor_sum = tensor.sum()  # 计算所有元素的和
print("张量元素的和:", tensor_sum.item())

3.3.4与其他张量的操作

python 复制代码

import torch

# 创建一个 2D 张量
tensor = torch.tensor([[1, 2, 3], [4, 5, 6]], dtype=torch.float32)
print("原始张量:\n", tensor)

print("\n【与其他张量操作】")
tensor2 = torch.tensor([[1, 1, 1], [1, 1, 1]], dtype=torch.float32)
print("另一个张量:\n", tensor2)
tensor_dot = torch.matmul(tensor, tensor2.T)  # 张量矩阵乘法
print("矩阵乘法结果:\n", tensor_dot)

3.3.5条件判断和筛选

python 复制代码

import torch

# 创建一个 2D 张量
tensor = torch.tensor([[1, 2, 3], [4, 5, 6]], dtype=torch.float32)
print("原始张量:\n", tensor)

print("\n【条件判断和筛选】")
mask = tensor > 3  # 创建一个布尔掩码
print("大于 3 的元素的布尔掩码:\n", mask)
filtered_tensor = tensor[tensor > 3]  # 筛选出符合条件的元素
print("大于 3 的元素:\n", filtered_tensor)

4.张量的 GPU 加速

4.1将张量转移到 GPU：

python 复制代码

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
x = torch.tensor([1.0, 2.0, 3.0], device=device)

4.2检查 GPU 是否可用：

python 复制代码

torch.cuda.is_available()  # 返回 True 或 False

5.张量与 NumPy 的互操作表

操作	说明	示例代码
`torch.from_numpy(ndarray)`	将 NumPy 数组转换为张量。	`x = torch.from_numpy(np_array)`
`x.numpy()`	将张量转换为 NumPy 数组（仅限 CPU 张量）。	`np_array = x.numpy()`

5.1张量与 NumPy 的互操作示例

5.1.1NumPy 数组转换为 PyTorch 张量

python 复制代码

import torch
import numpy as np

print("1. NumPy 转为 PyTorch 张量")
numpy_array = np.array([[1, 2, 3], [4, 5, 6]])
print("NumPy 数组:\n", numpy_array)

# 使用 torch.from_numpy() 将 NumPy 数组转换为张量
tensor_from_numpy = torch.from_numpy(numpy_array)
print("转换后的 PyTorch 张量:\n", tensor_from_numpy)

# 修改 NumPy 数组，观察张量的变化（共享内存）
numpy_array[0, 0] = 100
print("修改后的 NumPy 数组:\n", numpy_array)
print("PyTorch 张量也会同步变化:\n", tensor_from_numpy)

5.1.2PyTorch 张量转换为 NumPy 数组

python 复制代码

import torch
import numpy as np

print("\n2. PyTorch 张量转为 NumPy 数组")
tensor = torch.tensor([[7, 8, 9], [10, 11, 12]], dtype=torch.float32)
print("PyTorch 张量:\n", tensor)

# 使用 tensor.numpy() 将张量转换为 NumPy 数组
numpy_from_tensor = tensor.numpy()
print("转换后的 NumPy 数组:\n", numpy_from_tensor)

# 修改张量，观察 NumPy 数组的变化（共享内存）
tensor[0, 0] = 77
print("修改后的 PyTorch 张量:\n", tensor)
print("NumPy 数组也会同步变化:\n", numpy_from_tensor)

5.1.3不共享内存的情况（需要复制数据）

python 复制代码

import torch
import numpy as np
print("\n3. 使用 clone() 保证独立数据")
tensor_independent = torch.tensor([[13, 14, 15], [16, 17, 18]], dtype=torch.float32)
numpy_independent = tensor_independent.clone().numpy()  # 使用 clone 复制数据
print("原始张量:\n", tensor_independent)
tensor_independent[0, 0] = 0  # 修改张量数据
print("修改后的张量:\n", tensor_independent)
print("NumPy 数组（不会同步变化）:\n", numpy_independent)

欢迎各位彦祖与热巴畅游本人专栏与技术博客

你的三连是我最大的动力

点击➡️指向的专栏名即可闪现

➡️计算机组成原理****
➡️操作系统
➡️****渗透终极之红队攻击行动********
➡️ 动画可视化数据结构与算法
➡️ 永恒之心蓝队联纵合横防御
➡️****华为高级网络工程师********
➡️****华为高级防火墙防御集成部署********
➡️ 未授权访问漏洞横向渗透利用
➡️****逆向软件破解工程********
➡️****MYSQL REDIS 进阶实操********
➡️****红帽高级工程师
➡️红帽系统管理员********
➡️****HVV 全国各地面试题汇总********

《解锁 PyTorch 张量：多维数据操作与 GPU 性能优化全解析》

本篇技术博文摘要 🌟

引言 📘

上节回顾

1.PyTorch 张量（Tensor）

1.1各维度 张量（Tensor）说明：

1.2创建张量的方式表格

1.2.1创建 2D 张量（矩阵）：

1.3.1其他维度的创建：

2.张量的属性表格

2.1示例

3.张量的操作

3.1张量的基础操作表

3.2形状操作

3.3具体操作示例

3.3.1索引和切片操作

3.3.2形状变换操作

3.3.3数学运算操作

3.3.4与其他张量的操作

3.3.5条件判断和筛选

4.张量的 GPU 加速

4.1将张量转移到 GPU：

4.2检查 GPU 是否可用：

5.张量与 NumPy 的互操作表

5.1张量与 NumPy 的互操作示例

5.1.1NumPy 数组转换为 PyTorch 张量

5.1.2PyTorch 张量转换为 NumPy 数组

5.1.3不共享内存的情况（需要复制数据）

欢迎各位彦祖与热巴畅游本人专栏与技术博客

你的三连是我最大的动力

点击➡️指向的专栏名即可闪现

1.1各维度张量（Tensor）说明：