Pytorch基礎-tensor資料結構

文章首發於我的 github 倉庫-cv演算法工程師成長之路，歡迎關注我的公眾號-嵌入式視覺。

• torch.Tensor
• Tensor 資料型別
• Tensor 的屬性
  • view 和 reshape 的區別
• Tensor 與 ndarray
• 建立 Tensor
  • 傳入維度的方法
• 參考資料

torch.Tensor

torch.Tensor 是一種包含單一資料型別元素的多維矩陣，類似於 numpy 的 array。
可以使用使用 torch.tensor() 方法將 python 的 list 或序列資料轉換成 Tensor 資料，生成的是dtype 預設是 torch.FloatTensor。

注意 torch.tensor() 總是複製 data。如果你有一個 tensor data 並且僅僅想改變它的 requires_grad 屬性，可用 requires_grad_() 或者 detach() 來避免複製。如果你有一個 numpy 陣列並且想避免複製，請使用 torch.as_tensor()。

1，指定資料型別的 tensor 可以透過傳遞引數 torch.dtype 和/或者 torch.device 到建構函式生成：

注意為了改變已有的 tensor 的 torch.device 和/或者 torch.dtype, 考慮使用 to() 方法.

>>> torch.ones([2,3], dtype=torch.float64, device="cuda:0")
tensor([[1., 1., 1.],
        [1., 1., 1.]], device='cuda:0', dtype=torch.float64)
>>> torch.ones([2,3], dtype=torch.float32)
tensor([[1., 1., 1.],
        [1., 1., 1.]])

2，Tensor 的內容可以透過 Python 索引或者切片訪問以及修改：

>>> matrix = torch.tensor([[2,3,4],[5,6,7]])
>>> print(matrix[1][2])
tensor(7)
>>> matrix[1][2] = 9
>>> print(matrix)
tensor([[2, 3, 4],
        [5, 6, 9]])

3，使用 torch.Tensor.item() 或者 int() 方法從只有一個值的 Tensor中獲取 Python Number：

>>> x = torch.tensor([[4.5]])
>>> x
tensor([[4.5000]])
>>> x.item()
4.5
>>> int(x)
4

4，Tensor可以透過引數 requires_grad=True 建立, 這樣 torch.autograd 會記錄相關的運算實現自動求導：

>>> x = torch.tensor([[1., -1.], [1., 1.]], requires_grad=True)
>>> out = x.pow(2).sum()
>>> out.backward()
>>> x.grad
tensor([[ 2.0000, -2.0000],
 [ 2.0000,  2.0000]])

5，每一個 tensor都有一個相應的 torch.Storage 儲存其資料。tensor 類提供了一個多維的、strided 檢視, 並定義了數值操作。

Tensor 資料型別

Torch 定義了七種 CPU Tensor 型別和八種 GPU Tensor 型別：

torch.Tensor 是預設的 tensor 型別（torch.FloatTensor）的簡稱，即 32 位浮點數資料型別。

Tensor 的屬性

Tensor 有很多屬性，包括資料型別、Tensor 的維度、Tensor 的尺寸。

• 資料型別：可透過改變 torch.tensor() 方法的 dtype 引數值，來設定不同的 Tensor 資料型別。
• 維度：不同型別的資料可以用不同維度(dimension)的張量來表示。標量為 0 維張量，向量為 1 維張量，矩陣為 2 維張量。彩色影像有 rgb 三個通道，可以表示為 3 維張量。影片還有時間維，可以表示為 4 維張量，有幾個中括號 [ 維度就是幾。可使用 dim() 方法 獲取 tensor 的維度。
• 尺寸：可以使用 shape屬性或者 size()方法檢視張量在每一維的長度，可以使用 view()方法或者reshape() 方法改變張量的尺寸。Pytorch 框架中四維張量形狀的定義是 (N, C, H, W)。

關於如何理解 Pytorch 的 Tensor Shape 可以參考 stackoverflow 上的這個 回答。

樣例程式碼如下：

matrix = torch.tensor([[[1,2,3,4],[5,6,7,8]],
                       [[5,4,6,7], [5,6,8,9]]], dtype = torch.float64)
print(matrix)               # 列印 tensor
print(matrix.dtype)     # 列印 tensor 資料型別
print(matrix.dim())     # 列印 tensor 維度
print(matrix.size())     # 列印 tensor 尺寸
print(matrix.shape)    # 列印 tensor 尺寸
matrix2 = matrix.view(4, 2, 2) # 改變 tensor 尺寸
print(matrix2)

程式輸出結果如下：

view 和 reshape 的區別

• 兩個方法都是用來改變 tensor 的 shape，view() 只適合對滿足連續性條件（contiguous）的 tensor 進行操作，而 reshape() 同時還可以對不滿足連續性條件的 tensor 進行操作。
• 在滿足 tensor 連續性條件（contiguous）時，a.reshape() 返回的結果與a.view() 相同，都不會開闢新記憶體空間；不滿足 contiguous 時， 直接使用 view() 方法會失敗，reshape() 依然有用，但是會重新開闢記憶體空間，不與之前的 tensor 共享記憶體，即返回的是 ”副本“（等價於先呼叫 contiguous() 方法再使用 view() 方法）。
  更多理解參考這篇文章

Tensor 與 ndarray

1，張量和 numpy 陣列。可以用 .numpy() 方法從 Tensor 得到 numpy 陣列，也可以用 torch.from_numpy 從 numpy 陣列得到Tensor。這兩種方法關聯的 Tensor 和 numpy 陣列是共享資料記憶體的。可以用張量的 clone方法複製張量，中斷這種關聯。

arr = np.random.rand(4,5)
print(type(arr))
tensor1 = torch.from_numpy(arr)
print(type(tensor1))
arr1 = tensor1.numpy()
print(type(arr1))
"""
<class 'numpy.ndarray'>
<class 'torch.Tensor'>
<class 'numpy.ndarray'>
"""

2，item() 方法和 tolist() 方法可以將張量轉換成 Python 數值和數值列表

# item方法和tolist方法可以將張量轉換成Python數值和數值列表
scalar = torch.tensor(5)  # 標量
s = scalar.item()
print(s)
print(type(s))

tensor = torch.rand(3,2)  # 矩陣
t = tensor.tolist()
print(t)
print(type(t))
"""
1.0
<class 'float'>
[[0.8211846351623535, 0.20020723342895508], [0.011571824550628662, 0.2906131148338318]]
<class 'list'>
"""

建立 Tensor

建立 tensor ，可以傳入資料或者維度，torch.tensor() 方法只能傳入資料，torch.Tensor() 方法既可以傳入資料也可以傳維度，強烈建議 tensor() 傳資料，Tensor() 傳維度，否則易搞混。

傳入維度的方法

方法名	方法功能	備註
torch.rand(*sizes, out=None) → Tensor	返回一個張量，包含了從區間 [0, 1) 的均勻分佈中抽取的一組隨機數。張量的形狀由引數sizes定義。	推薦
torch.randn(*sizes, out=None) → Tensor	返回一個張量，包含了從標準正態分佈（均值為0，方差為1，即高斯白噪聲）中抽取的一組隨機數。張量的形狀由引數sizes定義。	不推薦
torch.normal(means, std, out=None) → Tensor	返回一個張量，包含了從指定均值 means 和標準差 std 的離散正態分佈中抽取的一組隨機數。標準差 std 是一個張量，包含每個輸出元素相關的正態分佈標準差。	多種形式，建議看原始碼
torch.rand_like(a)	根據資料 a 的 shape 來生成隨機資料	不常用
torch.randint(low=0, high, size)	生成指定範圍(low, hight)和 size 的隨機整數資料	常用
torch.full([2, 2], 4)	生成給定維度，全部資料相等的資料	不常用
torch.arange(start=0, end, step=1, *, out=None)	生成指定間隔的資料	易用常用
torch.ones(*size, *, out=None)	生成給定 size 且值全為1 的矩陣資料	簡單
zeros()/zeros_like()/eye()	全 0 的 tensor 和 對角矩陣	簡單

樣例程式碼：

>>> torch.rand([1,1,3,3])
tensor([[[[0.3005, 0.6891, 0.4628],
          [0.4808, 0.8968, 0.5237],
          [0.4417, 0.2479, 0.0175]]]])
>>> torch.normal(2, 3, size=(1, 4))
tensor([[3.6851, 3.2853, 1.8538, 3.5181]])
>>> torch.full([2, 2], 4)
tensor([[4, 4],
        [4, 4]])
>>> torch.arange(0,10,2)
tensor([0, 2, 4, 6, 8])
>>> torch.eye(3,3)
tensor([[1., 0., 0.],
        [0., 1., 0.],
        [0., 0., 1.]])

參考資料

• PyTorch：view() 與 reshape() 區別詳解
• torch.rand和torch.randn和torch.normal和linespace()