實例詳解Pytorch中的tensor資料結構

這篇文章為大家帶來了關於Python的相關知識，torch.Tensor 是一種包含單一資料類型元素的多維矩陣，類似於numpy 的array，下面一起來看Pytorch中的tensor資料結構，希望對大家有幫助。

【相關推薦：Python3影片教學 】

torch.Tensor

torch.Tensor 是一種包含單一資料型別元素的多維矩陣，類似numpy 的array。
Tensor 可以使用 torch.tensor() 轉換 Python 的 list 或序列資料生成，產生的是dtype 預設是 torch.FloatTensor。

注意 torch.tensor() 總是拷貝 data。如果你有一個 Tensor data 並且只是想改變它的 requires_grad 屬性，可用 requires_grad_() 或 detach() 來避免拷貝。如果你有一個 numpy 陣列並且想避免拷貝，請使用 torch.as_tensor()。

1，指定資料類型的Tensor 可以透過傳遞參數torch.dtype 和/或torch.device 到建構函式產生：

注意為了改變現有的tensor 的torch.device 和/或torch.dtype, 考慮使用to() 方法.

>>> torch.ones([2,3], dtype=torch.float64, device="cuda:0")
tensor([[1., 1., 1.],
        [1., 1., 1.]], device='cuda:0', dtype=torch.float64)
>>> torch.ones([2,3], dtype=torch.float32)
tensor([[1., 1., 1.],
        [1., 1., 1.]])

2，Tensor 的內容可以透過Python索引或切片存取以及修改：

>>> matrix = torch.tensor([[2,3,4],[5,6,7]])
>>> print(matrix[1][2])
tensor(7)
>>> matrix[1][2] = 9
>>> print(matrix)
tensor([[2, 3, 4],
        [5, 6, 9]])

3，使用torch.Tensor.item() 或int() 方法從只有在一個值的Tensor中取得Python Number：

>>> x = torch.tensor([[4.5]])
>>> x
tensor([[4.5000]])
>>> x.item()
4.5
>>> int(x)
4

4，Tensor可以透過參數requires_grad=True 建立, 這樣torch.autograd 會記錄相關的運算實作自動求導：

>>> x = torch.tensor([[1., -1.], [1., 1.]], requires_grad=True)
>>> out = x.pow(2).sum()
>>> out.backward()
>>> x.grad
tensor([[ 2.0000, -2.0000],
 [ 2.0000,  2.0000]])

5，每一個tensor都有一個對應的torch.Storage 儲存其資料。 tensor 類別提供了一個多維的、strided 視圖, 並定義了數值操作。

Tensor 資料型別

Torch 定義了七種CPU tensor 類型和八個GPU tensor 類型：

torch. Tensor 是預設的tensor 類型（torch.FloatTensor）的簡稱，即32 位元浮點數資料型別。

Tensor 的屬性

Tensor 有許多屬性，包括資料型態、Tensor 的維度、Tensor 的尺寸。

• 資料型態：可透過變更 torch.tensor() 方法的 dtype 參數值，來設定不同的 tensor 資料型別。
• 維度：不同類型的資料可以用不同維度(dimension)的張量來表示。標量為 0 維張量，向量為 1 維張量，矩陣為 2 維張量。彩色影像有 rgb 三個通道，可以表示為 3 維張量。影片還有時間維，可以表示為 4 維張量，有幾個中括號 [ 維度就是幾。可使用 dim() 方法 取得 tensor 的維度。
• 尺寸：可以使用 shape屬性或 size()方法查看張量在每一維的長度，可以使用 view()方法或reshape() 方法來改變張量的尺寸。

範例程式碼如下：

matrix = torch.tensor([[[1,2,3,4],[5,6,7,8]],
                       [[5,4,6,7], [5,6,8,9]]], dtype = torch.float64)
print(matrix)               # 打印 tensor
print(matrix.dtype)     # 打印 tensor 数据类型
print(matrix.dim())     # 打印 tensor 维度
print(matrix.size())     # 打印 tensor 尺寸
print(matrix.shape)    # 打印 tensor 尺寸
matrix2 = matrix.view(4, 2, 2) # 改变 tensor 尺寸
print(matrix2)

程式輸出結果如下：

## view 和reshape 的區別

兩個方法都是用來改變tensor 的shape，view() 只適合對滿足連續性條件（

contiguous）的tensor 進行操作，而reshape( ) 同時也可以對不符合連續性條件的tensor 進行操作。在滿足tensor 連續性條件（contiguous）時，a.reshape() 傳回的結果與a.view() 相同，都不會開啟新記憶體空間；不滿足contiguous時， 直接使用view() 方法會失敗，reshape() 仍然有用，但是會重新開闢內存空間，不與之前的tensor 共享內存，即返回的是”副本“（等價於先呼叫contiguous() 方法再使用view() 方法）。 更多理解參考這篇文章

Tensor 與 ndarray

1，張量和 numpy 陣列。可以用

.numpy() 方法從 Tensor 得到 numpy 數組，也可以用 torch.from_numpy 從 numpy 陣列得到Tensor。這兩種方法關聯的 Tensor 和 numpy 陣列是共享資料記憶體的。可以用張量的 clone方法拷貝張量，中斷這種關聯。

arr = np.random.rand(4,5)
print(type(arr))
tensor1 = torch.from_numpy(arr)
print(type(tensor1))
arr1 = tensor1.numpy()
print(type(arr1))
"""
<class &#39;numpy.ndarray&#39;>
<class &#39;torch.Tensor&#39;>
<class &#39;numpy.ndarray&#39;>
"""

2，

item() 方法和 tolist() 方法可以將張量轉換成 Python 數值和數值列表

# item方法和tolist方法可以将张量转换成Python数值和数值列表
scalar = torch.tensor(5)  # 标量
s = scalar.item()
print(s)
print(type(s))

tensor = torch.rand(3,2)  # 矩阵
t = tensor.tolist()
print(t)
print(type(t))
"""
1.0
<class &#39;float&#39;>
[[0.8211846351623535, 0.20020723342895508], [0.011571824550628662, 0.2906131148338318]]
<class &#39;list&#39;>
"""

创建 Tensor

创建 tensor ，可以传入数据或者维度，torch.tensor() 方法只能传入数据，torch.Tensor() 方法既可以传入数据也可以传维度，强烈建议 tensor() 传数据，Tensor() 传维度，否则易搞混。

传入维度的方法

方法名	方法功能	备注
torch.rand(*sizes, out=None) → Tensor	返回一个张量，包含了从区间 [0, 1) 的均匀分布中抽取的一组随机数。张量的形状由参数sizes定义。	推荐
torch.randn(*sizes, out=None) → Tensor	返回一个张量，包含了从标准正态分布（均值为0，方差为1，即高斯白噪声）中抽取的一组随机数。张量的形状由参数sizes定义。	不推荐
torch.normal(means, std, out=None) → Tensor	返回一个张量，包含了从指定均值 means 和标准差 std 的离散正态分布中抽取的一组随机数。标准差 std 是一个张量，包含每个输出元素相关的正态分布标准差。	多种形式，建议看源码
torch.rand_like(a)	根据数据 a 的 shape 来生成随机数据	不常用
torch.randint(low=0, high, size)	生成指定范围(low, hight)和 size 的随机整数数据	常用
torch.full([2, 2], 4)	生成给定维度，全部数据相等的数据	不常用
torch.arange(start=0, end, step=1, *, out=None)	生成指定间隔的数据	易用常用
torch.ones(*size, *, out=None)	生成给定 size 且值全为1 的矩阵数据	简单
zeros()/zeros_like()/eye()	全 0 的 tensor 和 对角矩阵	简单

样例代码：

>>> torch.rand([1,1,3,3])
tensor([[[[0.3005, 0.6891, 0.4628],
          [0.4808, 0.8968, 0.5237],
          [0.4417, 0.2479, 0.0175]]]])
>>> torch.normal(2, 3, size=(1, 4))
tensor([[3.6851, 3.2853, 1.8538, 3.5181]])
>>> torch.full([2, 2], 4)
tensor([[4, 4],
        [4, 4]])
>>> torch.arange(0,10,2)
tensor([0, 2, 4, 6, 8])
>>> torch.eye(3,3)
tensor([[1., 0., 0.],
        [0., 1., 0.],
        [0., 0., 1.]])

【相关推荐：Python3视频教程 】

以上是實例詳解Pytorch中的tensor資料結構的詳細內容。更多資訊請關注PHP中文網其他相關文章！