摘要：Tensor，它能够是0维、一维以及多维的数组，你能够将它看作为神经网络界的Numpy，它与Numpy类似，二者能够共享内存，且之间的转换十分不便。
本文分享自华为云社区《Tensor：Pytorch神经网络界的Numpy》，作者： 择城终老 。
Tensor
Tensor，它能够是0维、一维以及多维的数组，你能够将它看作为神经网络界的Numpy，它与Numpy类似，二者能够共享内存，且之间的转换十分不便。
但它们也不雷同，最大的区别就是Numpy会把ndarray放在CPU中进行减速运算，而由Torch产生的Tensor会放在GPU中进行减速运算。
对于Tensor，从接口划分，咱们大抵可分为2类：
- torch.function：如torch.sum、torch.add等。
- tensor.function：如tensor.view、tensor.add等。
而从是否批改本身来划分，会分为如下2类：
- 不批改本身数据，如x.add(y)，x的数据不变，返回一个新的Tensor。
- 批改本身数据，如x.add_(y)，运算后果存在x中，x被批改。
简略的了解就是办法名带不带下划线的问题。
当初，咱们来实现2个数组对应地位相加，看看其成果就近如何：
import torch
x = torch.tensor([1, 2])
y = torch.tensor([3, 4])
print(x + y)
print(x.add(y))
print(x)
print(x.add_(y))
print(x)运行之后，成果如下：
上面，咱们来正式解说Tensor的应用形式。
创立Tensor
与Numpy一样，创立Tensor也有很多的办法，能够本身的函数进行生成，也能够通过列表或者ndarray进行转换，同样也能够指定维度等。具体方法如下表（数组即张量）：
这里须要留神Tensor有大写的办法也有小写的办法，具体成果咱们先来看看代码：
import torch
t1 = torch.tensor(1)
t2 = torch.Tensor(1)
print("值{0},类型{1}".format(t1, t1.type()))
print("值{0},类型{1}".format(t2, t2.type()))运行之后，成果如下：
其余示例如下：
import torch
import numpy as np
t1 = torch.zeros(1, 2)
print(t1)
t2 = torch.arange(4)
print(t2)
t3 = torch.linspace(10, 5, 6)
print(t3)
nd = np.array([1, 2, 3, 4])
t4 = torch.from_numpy(nd)
print(t4)其余例子根本与下面根本差不多，这里不在赘述。
批改Tensor维度
同样的与Numpy一样，Tensor一样有维度的批改函数，具体的办法如下表所示：
示例代码如下所示：
import torch
t1 = torch.Tensor([[1, 2]])
print(t1)
print(t1.size())
print(t1.dim())
print(t1.view(2, 1))
print(t1.view(-1))
print(torch.unsqueeze(t1, 0))
print(t1.numel())运行之后，成果如下：
截取元素
当然，咱们创立Tensor张量，是为了应用外面的数据，那么就不可避免的须要获取数据进行解决，具体截取元素的形式如表：
示例代码如下所示：
import torch
# 设置随机数种子，保障每次运行后果统一
torch.manual_seed(100)
t1 = torch.randn(2, 3)
# 打印t1
print(t1)
# 输入第0行数据
print(t1[0, :])
# 输入t1大于0的数据
print(torch.masked_select(t1, t1 > 0))
# 输入t1大于0的数据索引
print(torch.nonzero(t1))
# 获取第一列第一个值，第二列第二个值，第三列第二个值为第1行的值
# 获取第二列的第二个值，第二列第二个值，第三列第二个值为第2行的值
index = torch.LongTensor([[0, 1, 1], [1, 1, 1]])
# 取0示意以行为索引
a = torch.gather(t1, 0, index)
print(a)
# 反操作填0
z = torch.zeros(2, 3)
print(z.scatter_(1, index, a))运行之后，成果如下：
咱们a = torch.gather(t1, 0, index)对其做了一个图解，不便大家了解。如下图所示：
当然，咱们间接有公司计算，因为这么多数据标线切实不难看，这里博主列出转换公司供大家参考：
当dim=0时,out[i,j]=input[index[i,j]][j]
当dim=1时,out[i,j]=input[i][index[i][j]]简略的数学运算
与Numpy一样，Tensor也反对数学运算。这里，博主列出了罕用的数学运算函数，不便大家参考：
须要留神的是，下面表格所有的函数操作均会创立新的Tensor，如果不须要创立新的，应用这些函数的下划线”_”版本。
示例如下：
t = torch.Tensor([[1, 2]])
t1 = torch.Tensor([[3], [4]])
t2 = torch.Tensor([5, 6])
# t+0.1*(t1/t2)
print(torch.addcdiv(t, 0.1, t1, t2))
# t+0.1*(t1*t2)
print(torch.addcmul(t, 0.1, t1, t2))
print(torch.pow(t,3))
print(torch.neg(t))运行之后，成果如下：
下面的这些函数都很好了解，只有一个函数置信没接触机器学习的时候，不大容易了解。也就是sigmoid()激活函数，它的公式如下：
归并操作
简略的了解，就是对张量进行归并或者说共计等操作，这类操作的输入输出维度个别并不相同，而且往往是输出大于输入维度。而Tensor的归并函数如下表所示：
示例代码如下所示：
t = torch.linspace(0, 10, 6)
a = t.view((2, 3))
print(a)
b = a.sum(dim=0)
print(b)
b = a.sum(dim=0, keepdim=True)
print(b)运行之后，成果如下：
须要留神的是，sum函数求和之后，dim的元素个数为１，所以要被去掉，如果要保留这个维度，则该当keepdim=True，默认为False。
比拟操作
在量化交易中，咱们个别会对股价进行比拟。而Tensor张量同样也反对比拟的操作，个别是进行逐元素比拟。具体函数如下表：
示例代码如下所示：
t = torch.Tensor([[1, 2], [3, 4]])
t1 = torch.Tensor([[1, 1], [4, 4]])
# 获取最大值
print(torch.max(t))
# 比拟张量是否相等
# equal间接返回True或False
print(torch.equal(t, t1))
# eq返回对应地位是否相等的布尔值与两者维度雷同
print(torch.eq(t, t1))
# 取最大的2个元素，返回索引与值
print(torch.topk(t, 1, dim=0))运行之后，输入如下：
矩阵运算
机器学习与深度学习中，存在大量的矩阵运算。与Numpy一样罕用的矩阵运算一样，一种是逐元素相乘，一种是点积乘法。函数如下表所示：
这里有3个次要的点积计算须要辨别，dot()函数只能计算1维张量，mm()函数只能计算二维的张量，bmm只能计算三维的矩阵张量。示例如下：
# 计算1维点积
a = torch.Tensor([1, 2])
b = torch.Tensor([3, 4])
print(torch.dot(a, b))
# 计算2维点积
a = torch.randint(10, (2, 3))
b = torch.randint(6, (3, 4))
print(torch.mm(a, b))
# 计算3维点积
a = torch.randint(10, (2, 2, 3))
b = torch.randint(6, (2, 3, 4))
print(torch.bmm(a, b))运行之后，输入如下：
点击关注，第一工夫理解华为云陈腐技术~
发表回复