PyTorch简明笔记[1]-Tensor的初始化和基本操作

不断地被人安利PyTorch，终于忍不住诱惑决定入坑了。
当初学习TensorFlow的时候，没有系统性地学习。之前TF的英文官网一直看不了，而中文版的文档又很烂，导致学起来一直不那么爽，每次搭建模型的时候，都要大量的回来查阅文档，对很多基本的用法搞不清楚。
当我翻看PyTorch官网的时候，一下子就爱上了它那清晰的文档和友好的入门指南。所以决定好好地系统性地把PyTorch学一学。所以，记一份适合自己的更加清晰简明的笔记，把基础打牢固，就很有必要了。
这份笔记的目的，主要是方便随时查阅，不必去看详细的冗长的原始文档。也方便跟我一样的小白可以迅速入门，进行实践。
本篇是PyTorch简明笔记第[1]篇.

安装PyTorch应该不用我多说，他们的官网很人性化地给出了各种环境应该怎么安装，网址：https://pytorch.org/get-started/locally/

安装指南

像我这个破电脑没有GPU，就在CUDA那里选择None，直接在终端运行它提供的命令，就可以安装了。

安装完以后，在python里面试试 import torch，没有报错就安装好了。

一、定义/初始化张量Define tensors

tensor，即“张量”。实际上跟numpy数组、向量、矩阵的格式基本一样。但是是专门针对GPU来设计的，可以运行在GPU上来加快计算效率。

PyTorch中定义tensor，就跟numpy定义矩阵、向量差不多，例如定义一个5×3的tensor，每一项都是0的张量：
x = torch.zeros(5,3)

如果想查看某个tensor的形状的话，使用：
z.size()，或者z.shape，但是前者更常用。

下面列举一些常用的定义tensor的方法：

常数初始化：

• torch.empty(size)返回形状为size的空tensor
• torch.zeros(size)全部是0的tensor
• torch.zeros_like(input)返回跟input的tensor一个size的全零tensor
• torch.ones(size)全部是1的tensor
• torch.ones_like(input)返回跟input的tensor一个size的全一tensor
• torch.arange(start=0, end, step=1)返回一个从start到end的序列，可以只输入一个end参数，就跟python的range()一样了。实际上PyTorch也有range()，但是这个要被废掉了，替换成arange了
• torch.full(size, fill_value)这个有时候比较方便，把fill_value这个数字变成size形状的张量

随机抽样（随机初始化）：

• torch.rand(size) [0,1)内的均匀分布随机数
• torch.rand_like(input)返回跟input的tensor一样size的0-1随机数
• torch.randn(size)返回标准正太分布N(0,1)的随机数
• torch.normal(mean, std, out=None)正态分布。这里注意，mean和std都是tensor，返回的形状由mean和std的形状决定，一般要求两者形状一样。如果，mean缺失，则默认为均值0，如果std缺失，则默认标准差为1.

更多的随机抽样方法，参见链接：
https://pytorch.org/docs/stable/torch.html#random-sampling

---

二、基本操作、运算 Basic operations

1.tensor的切片、合并、变形、抽取操作

(Indexing, Slicing, Joining, Mutating)

这里我就简单总结一些重要的tensor基本操作：

• torch.cat(seq, dim=0, out=None),把一堆tensor丢进去，按照dim指定的维度拼接、堆叠在一起.
  比如：

In [70]: x = torch.tensor([[1,2,3]])
In [71]: x
Out[71]: tensor([[1, 2, 3]])

 #按第0维度堆叠，对于矩阵，相当于“竖着”堆
In [72]: print(torch.cat((x,x,x),0))
tensor([[1, 2, 3],
        [1, 2, 3],
        [1, 2, 3]])

 #按第1维度堆叠，对于矩阵，相当于“横着”拼
In [73]: print(torch.cat((x,x,x),1)) 
tensor([[1, 2, 3, 1, 2, 3, 1, 2, 3]])

• torch.chunk(tensor, chunks, dim=0)把tensor切成块，数量由chunks指定。
  例如：

In [74]: a = torch.arange(10)
In [75]: a
Out[75]: tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

In [76]: torch.chunk(a,4)
Out[76]: (tensor([0, 1, 2]), tensor([3, 4, 5]), tensor([6, 7, 8]), tensor([9]))

• 切块还有torch.split(tensor, split_size_or_sections, dim=0)具体区别大家自行查阅文档
• 按index选择：torch.index_select(input, dim, index, out=None)
• 按mask选择：torch.masked_select(input, mask, out=None)
• 经常会使用的“压扁”函数：torch.squeeze(input),压缩成1维。注意，压缩后的tensor和原来的tensor共享地址
• 改变形状：torch.reshape(input, shape)以及tensor.view(shape).前者是把tensor作为函数的输入，后者是任何tensor的函数。实际上，二者的返回值，都只是让我们从另一种视角看某个tensor，所以不会改变本来的形状，除非你把结果又赋值给原来的tensor。下面给一个例子对比二者的用法：

In [82]: a
Out[82]: tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

# 单纯的调用view函数：
In [83]: a.view(2,5)
Out[83]:
tensor([[0, 1, 2, 3, 4],
        [5, 6, 7, 8, 9]])

# a的形状并不会变化
In [84]: print(a) 
tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

# 试试reshape函数：
In [86]: torch.reshape(a,[5,2])
Out[86]:
tensor([[0, 1],
        [2, 3],
        [4, 5],
        [6, 7],
        [8, 9]])

# a的形状依然不会变化：
In [87]: a
Out[87]: tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

要想让a的形状变化，比如把结果赋值给a，比如a = a.view(2,5)

还有好多有意思的操作，自己去发掘吧：
https://pytorch.org/docs/stable/torch.html#indexing-slicing-joining-mutating-ops

2.基本数学操作

• 加法直接加：x+y
  或者用torch.add(x,y).
  实际上，.add()可以接受三个参数：torch.add(input, value, out=None)
  out怎么用呢？一般，如果直接torch.add(x,y)，那么x，y本身都不会变化的。但是如果设置out=x，那么x就变变成加和后的值。

特别的，若想进行in-place操作，就比方说y加上x，y的值就改变了，就可以用y.add_(x)这样y就直接被改变了。Torch里面所有带"_"的操作，都是in-place的。例如x.copy_(y)

• 乘法：torch.mul(input, other, out=None)用input乘以other
• 除法：torch.div(input, other, out=None)用input除以other
• 指数：torch.pow(input, exponent, out=None)
• 开根号：torch.sqrt(input, out=None)
• 四舍五入到整数：torch.round(input, out=None)
• argmax函数：torch.argmax(input, dim=None, keepdim=False)返回指定维度最大值的序号，dim给定的定义是：the demention to reduce.也就是把dim这个维度的，变成这个维度的最大值的index。例如：
  argmax
• sigmoid函数：torch.sigmoid(input, out=None)
• tanh函数：torch.tanh(input, out=None)
• torch.abs(input, out=None)取绝对值
• torch.ceil(input, out=None)向上取整，等于向下取整+1
• torch.clamp(input, min, max, out=None)刀削函数，把输入数据规范在min-max区间，超过范围的用min、max代替

太多了，基本上，numpy里面有的数学函数这里都有，能想到的的基本都有。所以更详细的内容，还是去查看文档吧哈哈：
https://pytorch.org/docs/stable/torch.html#math-operations

三、Torch Tensor与Numpy的互相转换

• Tensor-->Numpy
  直接用.numpy()即可。但是注意，转换后，numpy的变量和原来的tensor会共用底层内存地址，所以如果原来的tensor改变了，numpy变量也会随之改变。参见下面的例子：

In [11]: a = torch.ones(2,4)
In [12]: a
Out[12]:
tensor([[1., 1., 1., 1.],
        [1., 1., 1., 1.]])

In [13]: b = a.numpy()
In [14]: b
Out[14]:
array([[1., 1., 1., 1.],
       [1., 1., 1., 1.]], dtype=float32)

In [15]: a.add_(1)
Out[15]:
tensor([[2., 2., 2., 2.],
        [2., 2., 2., 2.]])

In [16]: b
Out[16]:
array([[2., 2., 2., 2.],
       [2., 2., 2., 2.]], dtype=float32)

• Numpy-->Tensor
  用torch.from_numpy()来转换。参见下面例子：

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

输出：

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

同样，两者会共用内存地址。

好啦，本篇就这么些了，快去练习一下吧！
参考链接：
PyTorch文档：https://pytorch.org/docs/torch

---

欢迎关注我的简书专题：
DeepLearning笔记
不妨来我的知乎专栏逛逛吧：
DeepLearning学习笔记
更精美的文章，欢迎关注我的微信公众平台 SimpleAI：