Pytorch是一個基於Python的科學計算軟件包，有以下兩種定位：

可以使用多GPU加速的NumPy替代品

提供最大限度靈活性與速度的深度學習研究平臺

一 入門

1. Tensors（張量）

Tensors（張量）類似於NumPy中的ndarray，還可以使用GPU加速計算。

from __future__ import print_function
import torch

構造一個未初始化的5*3矩陣：

x = torch.empty(5, 3)
print(x)

輸出：

tensor([[-9.0198e-17, 4.5633e-41, -2.9021e-15],
 [ 4.5633e-41, 0.0000e+00, 0.0000e+00],
 [ 0.0000e+00, 0.0000e+00, 0.0000e+00],
 [ 0.0000e+00, 0.0000e+00, 0.0000e+00],
 [ 0.0000e+00, 0.0000e+00, 0.0000e+00]])

構造一個隨機初始化的矩陣：

x = torch.rand(5, 3) 

print(x)

輸出：

tensor([[0.1525, 0.7689, 0.5664],
 [0.7688, 0.0039, 0.4129],
 [0.9979, 0.3479, 0.2767],
 [0.9580, 0.9492, 0.6265],
 [0.2716, 0.6627, 0.3248]])

構造一個使用零填充、數據類型為long（長整型）的5*3矩陣：

x = torch.zeros(5, 3, dtype=torch.long)
print(x)

輸出：

tensor([[0, 0, 0],
 [0, 0, 0],
 [0, 0, 0],
 [0, 0, 0],
 [0, 0, 0]])

直接用一組數據構造Tensor（張量）：

x = torch.tensor([5.5, 3])
print(x)

輸出：

tensor([5.5000, 3.0000])

或者根據現有的Tensor（張量）創建新的Tensor（張量）。除非用戶提供新值，否則這些方法將重用輸入張量的屬性，例如dtype：

x = x.new_ones(5, 3, dtype=torch.double) # 使用new_* 方法設定維度 

print(x)
x = torch.randn_like(x, dtype=torch.float) # 重新設定數據類型
Print(x) # 結果維度不變

輸出：

tensor([[1., 1., 1.],
 [1., 1., 1.],
 [1., 1., 1.],
 [1., 1., 1.],
 [1., 1., 1.]], dtype=torch.float64)
tensor([[ 0.4228, 0.3279, 0.6367],
 [ 0.9233, -0.5232, -0.6494],
 [-0.1946, 1.7199, -0.1954],
 [ 0.1222, 0.7204, -1.3328],
 [ 0.1230, -0.5800, 0.4562]])

輸出它的大小：

print(x.size())

輸出：

torch.Size([5, 3])

（注意：torch.Size 實際上是一個元組，因此它支持所有元組操作。）

2. 運算

Tensor運算有多種語法。在下面的示例中，我們將先示例加法運算。

加法運算：語法1

y = torch.rand(5, 3) 

print(x + y)

輸出：

tensor([[ 0.0732, 0.9384, -0.2489],
 [-0.6905, 2.1267, 3.0045],
 [ 0.6199, 0.4936, -0.0398],
 [-2.0623, -0.5140, 1.6162],
 [ 0.3189, -0.0327, -0.5353]])

加法運算：語法2

print(torch.add(x, y))

輸出：

tensor([[ 0.0732, 0.9384, -0.2489],
 [-0.6905, 2.1267, 3.0045],
 [ 0.6199, 0.4936, -0.0398],
 [-2.0623, -0.5140, 1.6162],
 [ 0.3189, -0.0327, -0.5353]])

加法運算：使用輸出Tensor（張量）作為參數

result = torch.empty(5, 3)torch.add(x, y, out=result)
print(result)

輸出：

tensor([[ 0.0732, 0.9384, -0.2489],
 [-0.6905, 2.1267, 3.0045],
 [ 0.6199, 0.4936, -0.0398],
 [-2.0623, -0.5140, 1.6162],
 [ 0.3189, -0.0327, -0.5353]])

加法運算：內聯接

# adds x to y
y.add_(x)
print(y) 

輸出：

tensor([[ 0.0732, 0.9384, -0.2489],
 [-0.6905, 2.1267, 3.0045],
 [ 0.6199, 0.4936, -0.0398],
 [-2.0623, -0.5140, 1.6162],
 [ 0.3189, -0.0327, -0.5353]])

【注意：任何改變原張量實現內聯接的操作都是通過在後邊加_ 實現的。例如：x.copy_(y)，x.t_()，將將改變x的值。】

你可以像在NumPy中一樣使用索引及其他所有華麗的功能。

print(x[:, 1])

輸出：

tensor([ 0.3279, -0.5232, 1.7199, 0.7204, -0.5800])

Resizing（調整大小）：如果要resize/reshape張量，可以使用torch.view：

x = torch.randn(4, 4)
y = x.view(16)
z = x.view(-1, 8) # -1是推斷出來的
print(x.size(), y.size(), z.size())

輸出：

torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])

如果你有隻含一個元素的張量，可以用.item()獲取它的值作為Python數值

x = torch.randn(1)
print(x)
print(x.item())

輸出：

tensor([0.1550])
0.15495021641254425

【延伸閱讀：

100+張量操作，包括置換，索引，切片，數學運算，線性代數，隨機數等等，被詳細描述在這裡（https://pytorch.org/docs/torch）。】

二 NUMPY橋接器

將Torch Tensor轉換為NumPy array是一件輕而易舉的事（反之亦然）。

Torch Tensor和NumPy array共享其底層內存位置，更改一個將改變另一個。

1. 將Torch Tensor轉換為NumPy array

a = torch.ones(5)
print(a)

輸出：

tensor([1., 1., 1., 1., 1.])
b = a.numpy() 

print(b)

輸出：

[1. 1. 1. 1. 1.]

瞭解numpy array的值如何變化。

a.add_(1)
print(a)
print(b)

輸出：

tensor([2., 2., 2., 2., 2.])
[2. 2. 2. 2. 2.]

2. 將NumPy array轉換為Torch Tensor

瞭解如何自動地將np array更改為Torch Tensor

import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print(a)
print(b)

輸出：

[2. 2. 2. 2. 2.]
tensor([2., 2., 2., 2., 2.], dtype=torch.float64)

除了Char（字符型） Tensor之外，CPU上的所有Tensors都支持轉換為NumPy及返回。

三 CUDA TENSORS（張量）

可以使用.to方法將張量移動到任何設備上。

# 僅當CUDA可用的情況下運行這個cell 
# 我們用 ``torch.device`` 對象實現tensors在GPU上的寫入與讀出if torch.cuda.is_available():
 device = torch.device("cuda") # 一個 CUDA 終端對象
 y = torch.ones_like(x, device=device) # 直接在GUP上創建Tensor
 x = x.to(device) # 或者直接使用字符串`.to("cuda")``
 z = x + y
 print(z)
 print(z.to("cpu", torch.double)) # `.to`` 也可以改變對象數據類型

輸出：

tensor([2.4519], device='cuda:0')
tensor([2.4519], dtype=torch.float64)

腳本總運行時間：（0分6.338秒）

下載python源代碼文件：tensor——tutorial.py

（https://pytorch.org/tutorials/_downloads/092fba3c36cb2ab226bfdaa78248b310/tensor_tutorial.py）

下載Jupyter notebook文件：tensor——tutorial.ipynb

（https://pytorch.org/tutorials/_downloads/3c2b25b8a9f72db7780a6bf9b5fc9f62/tensor_tutorial.ipynb）

閱讀更多 人工智能遇見磐創 的文章

關鍵字: Python 技術 加速