[人工智能]pytorch中的tensor

1、什么是tensor？

tensor中文意为张量，提到张量最先能想到物理中的张量。有基础物理知识的人都知道，没有方向只有大小的量称为标量，例如普通数字1， 2， 3等，可以比较大小；既有方向又有大小的量称为矢量，例如物理概念中的作用力，不能够简单的比较大小；在物理中学习单元体应力应变状态的时候提到了张量，张量是一组能够表示某一个微元体应力应变状态的分量的集合。张量（tensor）是pytorch中最基础的一种数结构，熟悉numpy数组的话会发现tensor和numpy数组的操作很相似，但不同之处在于tensor具有更多的属性，相当于表示数组数据在运算过程中的状态，tensor中不仅仅包含了数组数据本身，还包含了dtype，grad，device等属性。

2、tensor的操作

熟悉numpy的话对tensor的操作会感觉很熟悉。导入torch和numpy，从数据创建tensor：

import torch
import numpy as np

# initialize tensor
# # from data
data = [[1, 2], [3, 4]]
tensor_data = torch.tensor(data, dtype=torch.int32)
print(tensor_data)
print(type(tensor_data))
print(tensor_data.shape)

从numpy创建tensor

# from numpy
arr1 = np.array([[4, 5, 6], [7, 8, 9]])
arr_tensor = torch.from_numpy(arr1)
print(arr_tensor)
print(type(arr_tensor))
print(arr_tensor.shape)

其它方式创建tensor：

shape = (2, 3)
rand_tensor = torch.rand(size=shape)
one_tensor = torch.ones(size=shape)
zero_tensor = torch.ones(size=shape)
print(rand_tensor.shape)
print(rand_tensor)

tensor的shape，dtype，device属性等，判断cuda，将tensor由cpu移到gpu：

# attributes of tensor
print(f'shape: {rand_tensor.shape}; dtype: {rand_tensor.dtype}; device: {rand_tensor.device}')
if torch.cuda.is_available():
    print(torch.device)
    tensor = rand_tensor.to('cuda')
    print(tensor.device)

tensor的聚合：cat聚合方式，dim维度从要聚合的tensor的size中选择，0按行聚合，1按列聚合

# cat and stack tensor
print(rand_tensor)
# dim choose from tensor size , 0 for row, 1 for columns
cat_tensor = torch.cat([rand_tensor, rand_tensor], dim=1)
print(cat_tensor)

原：
tensor([[0.9003, 0.7300, 0.3107],
        [0.8845, 0.6043, 0.0443]])

dim取0聚合：
tensor([[0.9003, 0.7300, 0.3107],
        [0.8845, 0.6043, 0.0443],
        [0.9003, 0.7300, 0.3107],
        [0.8845, 0.6043, 0.0443]])

dim取1聚合：
tensor([[0.8397, 0.2339, 0.8829, 0.8397, 0.2339, 0.8829],
        [0.7830, 0.4890, 0.0135, 0.7830, 0.4890, 0.0135]])

stack方式：与cat不同，stack以堆叠的方式进行，dim可取到size+1，此例中可取0，1，2。

stack_tensor = torch.stack([rand_tensor, rand_tensor], dim=2)
print(stack_tensor)

原：
tensor([[0.9003, 0.7300, 0.3107],
        [0.8845, 0.6043, 0.0443]])

dim取0：
tensor([[[0.6554, 0.0863, 0.1121],
         [0.6554, 0.0863, 0.1121]],

        [[0.6638, 0.2260, 0.1568],
         [0.6638, 0.2260, 0.1568]]])


dim取1：
tensor([[0.1256, 0.7978, 0.3251, 0.1256, 0.7978, 0.3251],
        [0.6428, 0.6606, 0.1968, 0.6428, 0.6606, 0.1968]])


dim取2：
tensor([[[0.1256, 0.1256],
         [0.7978, 0.7978],
         [0.3251, 0.3251]],

        [[0.6428, 0.6428],
         [0.6606, 0.6606],
         [0.1968, 0.1968]]])

tensor的基本运算举例

元素相乘、矩阵相乘、自加运算：

# tensor multiply
print(one_tensor)
one_tensor_mul = one_tensor.mul(one_tensor)
print(one_tensor_mul)
one_tensor_matmul = one_tensor.matmul(one_tensor.T)
print(one_tensor_matmul)


# self operations
one_tensor.add_(5)
print(one_tensor)

输出：

one_tensor:
tensor([[1., 1., 1.],
        [1., 1., 1.]])

one_tensor_mul:
tensor([[1., 1., 1.],
        [1., 1., 1.]])

one_tensor_matmul:
tensor([[3., 3.],
        [3., 3.]])

one_tensor自加运算：
tensor([[6., 6., 6.],
        [6., 6., 6.]])