前言

很多人都會拿PyTorch和Google的Tensorflow進行比較，這個肯定是沒有問題的，因為他們是最火的兩個深度學習框架了。但是說到PyTorch，其實應該先說Torch。

什么是Torch？
Torch是一個與Numpy類似的張量（Tensor）操作庫，與Numpy不同的是Torch對GPU支持的很好。Lua是Torch的上層包裝，雖然Lua速度很快，Lua實在是太小眾了，所以才會有PyTorch的橫空出世。

PyTorch是一個基于Torch的Python開源機器學習庫，用于自然語言處理等應用程序。 它主要由Facebook的人工智能研究小組開發。Uber的"Pyro"也是使用的這個庫。

PyTorch是一個Python包，提供兩個高級功能：

• 具有強大的GPU加速的張量計算（如NumPy）
• 包含自動求導系統的的深度神經網絡

最后，關于Tensorflow和PyTorch的對比網上已經有很多了，這里就不詳細說明了，有興趣的可以看這篇文章https://zhuanlan.zhihu.com/p/28636490。

一、什么是張量（Tensor）

PyTorch是一個處理張量的庫，張量是PyTorch里面基礎運算單位，一個張量是一個數字、向量、矩陣或者任何n維數組。張量與Numpy的ndarray相同，都表示的是一個多維的矩陣。與ndarray的最大區別就是**：PyTorch的Tensor可以在GPU上運行，而numpy的ndarray只能在CPU上運行，在GPU上運行大大加快了運算速度。**

• 導包

# 首先要導入相關的包，以保證程序可以正常運行 import numpy as np import torch # 我們可以通過打印PyTorch的版本來確定是否導入成功 torch.__version__

• 新建一個簡單的Tensor

# 生成一個2行3列的矩陣 x = torch.rand(2,3) x

• 查看Tensor的大小

# 可以使用與numpy相同的shape屬性查看 print(x.shape) # 也可以用使用size()函數 print(x.size())

• 生成一個多維張量

y = torch.rand(2,3,4,5) print(y.shape) # 打印y張量的大小 y

在同構的意義下，第0階張量（r = 0）為標量（Scalar），第一階張量（r = 1）為向量（Vector），第二階張量（r = 2）則稱為了矩陣（Matrix），第3階以上的統稱為多維張量。

• 其中，特別主義的是標量，我們先來生成一個標量（scalar）：

scalar = torch.tensor(3.1415926) scalar # 對于標量， 我們可以直接使用.item()從中取出其對應的Python對象 scalar.item() # 特別的，如果張量中只有一個元素，也可以用.item()取出對應的Python對象 tensor1 = torch.tensor([3.1415926]) tensor1.item()

二、如何創建一個張量（Tensor）

• 使用[0，1]均勻分布隨機初始化張量

rnd = torch.rand(5,3) rnd

• 使用1填充

one = torch.ones(2,2) one

• 使用0填充

zero = torch.zeros(2,2) zero

• 初始化一個單位矩陣，即對角線為1，其它為0

eye = torch.eye(2,2) eye

三、常用方法

PyTorch中對張量的操作api和Numpy非常相似，如果熟悉Numpy中的相關操作，它們兩個是基本一致的

• 首先，我們新建一個張量Tensor

rnd = torch.randn(3,3) rnd

然后我們來進行以下的操作：

• 沿著行取最大值

max_value,max_idx = torch.max(x,dim = 1) max_value,max_idx

• 沿著列取最大值

max_value,max_idx = torch.max(x,dim = 0) max_value,max_idx

• 求每行的和

sum_x = torch.sum(x,dim = 1) sum_x

• 求每列的和

sum_y = torch.sum(x,dim = 0) sum_y

• 求兩個張量的和

# 首先我們需要另建一個張量y y = torch.randn(3,3) z = x+y z

• 任何以“-”結尾的操作都會用結果替換原變量，例如：“x.copy_(y)”，都會改變x

x = torch.randn(3,3) print('修改前', x) y = torch.randn(3,3) x.add_(y) print('修改后', x)

四、張量（Tensor）和Numpy對象的互相轉換

Tensor和numpy對象共享內存，所以他們之間的轉換很快，而且幾乎不會消耗什么資源。但這也意味著，如果其中一個改變了，另外一個也會隨之改變。

• Tensor轉為Numpy對象

a = torch.randn((3,2)) # 將tensor轉為numpy numpy_a = a.numpy() print(numpy_a)

• Numpy對象轉為Tensor

torch_a = torch.from_numpy(numpy_a) print(torch_a)

五、參考文獻

https://github.com/zergtant/pytorch-handbook/blob/master/chapter2/2.1.1.pytorch-basics-tensor.ipynb

總結

以上是生活随笔為你收集整理的PyTorch基础（一）-----张量（Tensor）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。