Pytorch的入门使用

目标

知道张量和Pytorch中的张量
知道pytorch中如何创建张量
知道pytorch中tensor的常见方法
知道pytorch中tensor的数据类型
知道pytorch中如何实现tensor在cpu和cuda中转化

1. 张量Tensor

张量是一个统称，其中包含很多类型：

0阶张量：标量、常数，0-D Tensor
1阶张量：向量，1-D Tensor
2阶张量：矩阵，2-D Tensor
3阶张量
…
N阶张量

2. Pytorch中创建张量

使用python中的列表或者序列创建tensor

torch.tensor([[1., -1.], [1., -1.]])
tensor([[ 1.0000, -1.0000],
        [ 1.0000, -1.0000]])

使用numpy中的数组创建tensor

torch.tensor(np.array([[1, 2, 3], [4, 5, 6]]))
tensor([[ 1,  2,  3],
        [ 4,  5,  6]])

使用torch的api创建tensor
1. torch.empty(3,4)创建3行4列的空的tensor，会用无用数据进行填充
torch.empty(3,4)
tensor([[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]])
```
2. `torch.ones([3,4])` 创建3行4列的**全为1**的tensor

   ```python
   >>> torch.ones([3,4])
tensor([[1., 1., 1., 1.],
           [1., 1., 1., 1.],
        [1., 1., 1., 1.]])
```
1. torch.zeros([3,4])创建3行4列的全为0的tensor
torch.zeros([3,4])
tensor([[0., 0., 0., 0.],
[0., 0., 0., 0.],
[0., 0., 0., 0.]])
1. torch.rand([3,4]) 创建3行4列的随机值的tensor，随机值的区间是[0, 1)
```
>>> torch.rand(2, 3)
tensor([[ 0.8237,  0.5781,  0.6879],
[ 0.3816,  0.7249,  0.0998]])
```
2. torch.randint(low=0,high=10,size=[3,4]) 创建3行4列的随机整数的tensor，随机值的区间是[low, high)
```
>>> torch.randint(3, 10, (2, 2))
tensor([[4, 5],
	[6, 7]])
```
3. torch.randn([3,4]) 创建3行4列的随机数的tensor，随机值的分布式均值为0，方差为1
```
>>> torch.randn([3,4])
tensor([[ 1.6517,  1.1806,  1.5347,  0.0051],
        [-1.2055,  0.5640,  0.0476,  0.3969],
        [-1.3776, -0.8722,  0.7219, -0.5791]])
```

3. Pytorch中tensor的常用方法

获取tensor中的数据(当tensor中只有一个元素可用)：tensor.item()

In [10]: a = torch.tensor(np.arange(1))

In [11]: a
Out[11]: tensor([0])

In [12]: a.item()
Out[12]: 0

转化为numpy数组

In [55]: z.numpy()
Out[55]:
array([[-2.5871205],
       [ 7.3690367],
       [-2.4918075]], dtype=float32)

获取形状：tensor.size()

In [72]: x
Out[72]:
tensor([[    1,     2],
        [    3,     4],
        [    5,    10]], dtype=torch.int32)

In [73]: x.size()
Out[73]: torch.Size([3, 2])

# 也可以指定阶数去获取形状
In [74]: x.size(0)
Out[74]: 3

In [75]: x.size(1)
Out[75]: 2

形状改变：tensor.view((3,4))。类似numpy中的reshape，是一种浅拷贝，仅仅是形状发生改变

In [76]: x.view(2,3)
Out[76]:
tensor([[    1,     2,     3],
        [    4,     5,    10]], dtype=torch.int32)

获取阶数：tensor.dim()
```
In [77]: x.dim()
Out[77]: 2
```

获取数据类型tensor.dtype 修改数据类型tensor.int()\float()\long()

In [35]: x.dtype
Out[35]: torch.int32

In [35]: x = x.float()  # 修改数据类型
		 x
Out[35]: tensor([[ 1.,  2.],
                 [ 3.,  4.],
                 [ 5., 10.]])
In [36]: x.dtype
Out[36]: torch.float32

获取最大值：tensor.max()

In [78]: x.max()
Out[78]: tensor(10, dtype=torch.int32)

转置：

情况1：tensor.t()

In [79]: x.t()
Out[79]:
tensor([[    1,     3,     5],
        [    2,     4, 	  10]], dtype=torch.int32)

情况2：tensor.transpose(0,1) 指定阶进行交换0,1 指得是第0阶和第一阶的形状发生交换

In [26]: x2=torch.Tensor(np.arange(24).reshape(2,3,4))
		 x2  #torch.Size([2,3,4])
Out[26]: tensor([[[ 0.,  1.,  2.,  3.],
                  [ 4.,  5.,  6.,  7.],
                  [ 8.,  9., 10., 11.]],

                 [[12., 13., 14., 15.],
                  [16., 17., 18., 19.],
                  [20., 21., 22., 23.]]])
                  
In [27]: x2.size()
Out[27]: torch.Size([2, 3, 4])
    
In [28]: x2.transpose(0,1)   #torch.Size([3, 2, 4])
Out[28]: tensor([[[ 0.,  1.,  2.,  3.],
         		  [12., 13., 14., 15.]],

        		 [[ 4.,  5.,  6.,  7.],
                  [16., 17., 18., 19.]],

                 [[ 8.,  9., 10., 11.],
                  [20., 21., 22., 23.]]])

情况3：tensor.permute(1,2,0) 指定阶进行交换：即原来的第0阶的形状变到了第2阶，原来的第1阶的形状变到了第0阶，原来的第2阶的形状变到了第1阶（沿用情况2的例子x2）

In [29]: x.permute(1,2,0)    #torch.Size([3, 4, 2])
Out[29]: tensor([[[ 0., 12.],
                  [ 1., 13.],
                  [ 2., 14.],
                  [ 3., 15.]],

                 [[ 4., 16.],
                  [ 5., 17.],
                  [ 6., 18.],
                  [ 7., 19.]],

                 [[ 8., 20.],
                  [ 9., 21.],
                  [10., 22.],
                  [11., 23.]]])

tensor[1,3] 获取tensor中第一行第三列的值
tensor[1,3]=100 对tensor中第一行第三列的位置进行赋值100
tensor的切片

In [101]: x
Out[101]:
tensor([[1.6437, 1.9439, 1.5393],
        [1.3491, 1.9575, 1.0552],
        [1.5106, 1.0123, 1.0961],
        [1.4382, 1.5939, 1.5012],
        [1.5267, 1.4858, 1.4007]])

In [102]: x[:,1]
Out[102]: tensor([1.9439, 1.9575, 1.0123, 1.5939, 1.4858])

4. tensor的数据类型

tensor中的数据类型非常多，常见类型如下：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-nyKIPJl6-1648813319922)(../images/1.2/tensor的数据类型.png)]

上图中的Tensor types表示这种type的tensor是其实例

获取tensor的数据类型:tensor.dtype
```
In [80]: x.dtype
Out[80]: torch.int32
```

创建数据的时候指定类型

In [88]: torch.ones([2,3],dtype=torch.float32)
Out[88]:
tensor([[9.1167e+18, 0.0000e+00, 7.8796e+15],
        [8.3097e-43, 0.0000e+00, -0.0000e+00]])

类型的修改

In [17]: a
Out[17]: tensor([1, 2], dtype=torch.int32)

In [18]: a.type(torch.float)
Out[18]: tensor([1., 2.])

In [19]: a.double()
Out[19]: tensor([1., 2.], dtype=torch.float64)

tensor和Tensor的区别
i.全局(默认的数据类型)是torch.float32

ii. torch.Tensor)传入数字表示形状和torch.FloatTensor相同
iii. torch.Tensor传入可迭代对象表示数据，类型为模型的数据类型
iv. torch.tensor为创建tensor的方法

# 传入普通值，tensor的形状,数据类型默认为tensor.float32
In [19]: torch.Tensor(1,2)
Out[19]: tensor([[0.0000, 4.4766]])  # tensor.float32

# 传入列表或者ndarry时
In [20]: torch.Tensor([1,2])
Out[20]: tensor([1., 2.])

In [21]: torch.FloatTensor(1,2)
Out[21]: tensor([[0.0000, 1.8750]])

In [22]: torch.FloatTensor([1,2])
Out[22]: tensor([1., 2.])

5. tensor的其他操作

tensor和tensor相加

In [94]: x = x.new_ones(5, 3, dtype=torch.float)

In [95]: y = torch.rand(5, 3)

In [96]: x+y
Out[96]:
tensor([[1.6437, 1.9439, 1.5393],
        [1.3491, 1.9575, 1.0552],
        [1.5106, 1.0123, 1.0961],
        [1.4382, 1.5939, 1.5012],
        [1.5267, 1.4858, 1.4007]])
In [98]: torch.add(x,y)
Out[98]:
tensor([[1.6437, 1.9439, 1.5393],
        [1.3491, 1.9575, 1.0552],
        [1.5106, 1.0123, 1.0961],
        [1.4382, 1.5939, 1.5012],
        [1.5267, 1.4858, 1.4007]])
In [99]: x.add(y)
Out[99]:
tensor([[1.6437, 1.9439, 1.5393],
        [1.3491, 1.9575, 1.0552],
        [1.5106, 1.0123, 1.0961],
        [1.4382, 1.5939, 1.5012],
        [1.5267, 1.4858, 1.4007]])
In [100]: x.add_(y)  #带下划线的方法会对x进行就地修改
Out[100]:
tensor([[1.6437, 1.9439, 1.5393],
        [1.3491, 1.9575, 1.0552],
        [1.5106, 1.0123, 1.0961],
        [1.4382, 1.5939, 1.5012],
        [1.5267, 1.4858, 1.4007]])

In [101]: x #x发生改变
Out[101]:
tensor([[1.6437, 1.9439, 1.5393],
        [1.3491, 1.9575, 1.0552],
        [1.5106, 1.0123, 1.0961],
        [1.4382, 1.5939, 1.5012],
        [1.5267, 1.4858, 1.4007]])

注意：带下划线的方法（比如:add_)会对tensor进行就地修改

tensor和数字操作

In [97]: x +10
Out[97]:
tensor([[11., 11., 11.],
        [11., 11., 11.],
        [11., 11., 11.],
        [11., 11., 11.],
        [11., 11., 11.]])

CUDA中的tensor

CUDA（Compute Unified Device Architecture），是NVIDIA推出的运算平台。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。

torch.cuda这个模块增加了对CUDA tensor的支持，能够在cpu和gpu上使用相同的方法操作tensor

通过.to方法能够把一个tensor转移到另外一个设备(比如从CPU转到GPU)

#device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
if torch.cuda.is_available():
    device = torch.device("cuda")          # cuda device对象
    y = torch.ones_like(x, device=device)  # 创建一个在cuda上的tensor
    x = x.to(device)                       # 使用方法把x转为cuda 的tensor
    z = x + y
    print(z)
    print(z.to("cpu", torch.double))       # .to方法也能够同时设置类型
    
>>tensor([1.9806], device='cuda:0')
>>tensor([1.9806], dtype=torch.float64)

In [97]: device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
		 device
Out[97]: device(type='cpu')

In [98]: d = torch.zeros([2,3],device=device)
		 d
Out[98]: tensor([[0., 0., 0.],
                 [0., 0., 0.]])

In [99]: d.to(device)
Out[99]: tensor([[0., 0., 0.],
                 [0., 0., 0.]])

06], dtype=torch.float64)


```python
In [97]: device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
		 device
Out[97]: device(type='cpu')

In [98]: d = torch.zeros([2,3],device=device)
		 d
Out[98]: tensor([[0., 0., 0.],
                 [0., 0., 0.]])

In [99]: d.to(device)
Out[99]: tensor([[0., 0., 0.],
                 [0., 0., 0.]])

通过前面的学习，可以发现torch的各种操作几乎和numpy一样

1.2 pytorch的入门使用