深度学习-Pytorch运算的基本数据类型

深度学习-Pytorch模型运算的基本数据类型

用pytorch构建模型，并训练模型，得到一个优化的模型，那么模型构造的数据类型怎样的？

数据分析

数据分析-Pandas如何转换产生新列

数据分析-Pandas如何统计数据概况

数据分析-Pandas如何轻松处理时间序列数据

数据分析-Pandas如何选择数据子集

数据分析-Pandas如何重塑数据表-CSDN博客

经典算法

经典算法-遗传算法的python实现

经典算法-模拟退火算法的python实现

经典算法-粒子群算法的python实现-CSDN博客

pytorch中常常遇到的，最基本的数据类型就是tensors。

Tensors

Tensors是一种特殊的数据结构，与数组和矩阵非常相似。在 PyTorch 中，我们使用张量对模型的输入和输出以及模型的参数进行处理。

Tensors也类似于 NumPy 的 ndarrays，不同之处在于

Tensors还可以加载到 GPU 或其他硬件加速器上运行。事实上，Tensors和 NumPy 数组通常可以共享相同的底层内存，无需复制数据。
另外，Tensors还针对自动微分进行了优化（将在稍后的 Autograd 部分看到更多相关内容）。

如果您熟悉 ndarrays，那么您将可以再熟悉下 Tensor API 。如果没有，请继续！

import torch
import numpy as np

初始化Tensors

Tensors可以通过多种方式初始化。请看以下示例：

从数据生成

Tensors可以直接从数据创建。数据类型是自动生成的。

data = [[1, 2],[3, 4]]
x_data = torch.tensor(data)

从 NumPy 数组生成

Tensors可以从 NumPy 数组创建（反之亦然 - 参见 Bridge with NumPy）。

np_array = np.array(data)
x_np = torch.from_numpy(np_array)

从另一个Tensor

新tensor将保留参数tensor的属性（形状、数据类型），除非显式覆盖。

x_ones = torch.ones_like(x_data) # retains the properties of x_data
print(f"Ones Tensor: \n {x_ones} \n")x_rand = torch.rand_like(x_data, dtype=torch.float) # overrides the datatype of x_data
print(f"Random Tensor: \n {x_rand} \n")

Ones Tensor:tensor([[1, 1],[1, 1]])Random Tensor:tensor([[0.8823, 0.9150],[0.3829, 0.9593]])

用随机值或常量值：

shape是张量维数的元组。在下面的函数中，它确定输出张量的维数。

shape = (2,3,)
rand_tensor = torch.rand(shape)
ones_tensor = torch.ones(shape)
zeros_tensor = torch.zeros(shape)print(f"Random Tensor: \n {rand_tensor} \n")
print(f"Ones Tensor: \n {ones_tensor} \n")
print(f"Zeros Tensor: \n {zeros_tensor}")

Random Tensor:tensor([[0.3904, 0.6009, 0.2566],[0.7936, 0.9408, 0.1332]])Ones Tensor:tensor([[1., 1., 1.],[1., 1., 1.]])Zeros Tensor:tensor([[0., 0., 0.],[0., 0., 0.]])

Tensors的属性

Tensors属性描述它们的形状、数据类型和存储它们的设备。

tensor = torch.rand(3,4)print(f"Shape of tensor: {tensor.shape}")
print(f"Datatype of tensor: {tensor.dtype}")
print(f"Device tensor is stored on: {tensor.device}")

Shape of tensor: torch.Size([3, 4])
Datatype of tensor: torch.float32
Device tensor is stored on: cpu

Tensors的操作

超过 100 种tensors运算，包括算术、线性代数、矩阵操作（转置、索引、切片）、采样等。

默认情况下，Tensors是在 CPU 上创建的，在GPU运行需要显式地使用 .to 函数，将tensor移动到 GPU（当然首先是检查 GPU 可用性之后）。请记住，跨设备复制大量Tensors ，在时间和内存方面可能很费的！

.to

# We move our tensor to the GPU if available
if torch.cuda.is_available():tensor = tensor.to("cuda")

tensors中的一些操作，和NumPy API类似，比如索引和切片

索引和切片：

tensor = torch.ones(4, 4)print(f"First row: {tensor[0]}")
print(f"First column: {tensor[:, 0]}")
print(f"Last column: {tensor[..., -1]}")
tensor[:,1] = 0
print(tensor)

First row: tensor([1., 1., 1., 1.])
First column: tensor([1., 1., 1., 1.])
Last column: tensor([1., 1., 1., 1.])
tensor([[1., 0., 1., 1.],[1., 0., 1., 1.],[1., 0., 1., 1.],[1., 0., 1., 1.]])

连接Tensors

可以使用按给定维度，连接一系列张量。参见 torch.stack，另一个张量连接运算符，它与略有不同。torch.cat

t1 = torch.cat([tensor, tensor, tensor], dim=1)
print(t1)

tensor([[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.]])

算术运算

# This computes the matrix multiplication between two tensors. y1, y2, y3 will have the same value
# ``tensor.T`` returns the transpose of a tensor
y1 = tensor @ tensor.T
y2 = tensor.matmul(tensor.T)y3 = torch.rand_like(y1)
torch.matmul(tensor, tensor.T, out=y3)# This computes the element-wise product. z1, z2, z3 will have the same value
z1 = tensor * tensor
z2 = tensor.mul(tensor)z3 = torch.rand_like(tensor)
torch.mul(tensor, tensor, out=z3)

tensor([[1., 0., 1., 1.],[1., 0., 1., 1.],[1., 0., 1., 1.],[1., 0., 1., 1.]])

单元素Tensor

如果你有一个单元素张量，例如通过聚合所有一个张量的值变成一个值，可以将其转换为Python 数值使用：item()

agg = tensor.sum()
agg_item = agg.item()
print(agg_item, type(agg_item))

12.0 <class 'float'>

in place操作

将结果存储到操作数中的操作，称为in place操作。它们用后缀表示。例如：，，将更改。_x.copy_(y) x.t_() x

print(f"{tensor} \n")
tensor.add_(5)
print(tensor)

tensor([[1., 0., 1., 1.],[1., 0., 1., 1.],[1., 0., 1., 1.],[1., 0., 1., 1.]])tensor([[6., 5., 6., 6.],[6., 5., 6., 6.],[6., 5., 6., 6.],[6., 5., 6., 6.]])

注意

in place运算可以节省一些内存，但在计算导数时可能会出现问题，因为会立即丢失运算的历史记录。因此，不鼓励使用它们。

觉得有用 收藏收藏收藏

点个赞点个赞点个赞

End

GPT专栏文章：

GPT实战系列-ChatGLM3本地部署CUDA11+1080Ti+显卡24G实战方案

GPT实战系列-LangChain + ChatGLM3构建天气查询助手

大模型查询工具助手之股票免费查询接口

GPT实战系列-简单聊聊LangChain

GPT实战系列-大模型为我所用之借用ChatGLM3构建查询助手

GPT实战系列-P-Tuning本地化训练ChatGLM2等LLM模型，到底做了什么？(二)