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：

  1. torch.function：如torch.sum、torch.add等。
  2. 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：

  1. 不批改本身数据，如x.add(y)，x的数据不变，返回一个新的Tensor。
  2. 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 torchx = 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 torcht1 = 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 torchimport numpy as npt1 = 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 torcht1 = 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t1print(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0z = 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Falseprint(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~