PyTorch之张量的相关操作大全 -＞（个人学习记录笔记）

Torch

1. 张量的创建

1.1 直接创建

1.1.1 torch.tensor

torch.tensor(data, dtype=None, device=None, requires_grad=False, pin_memory=False)

• 功能：从data创建tensor
• data: 数据，可以是list，numpy
• dtype: 数据类型，默认与data的一致
• device: 所在设备，cuda/cpu
• requires_grad: 是否需要梯度
• pin_memory: 是否存于锁页内存

样例：

torch.tensor([[0.2, 0.2], [1.2, 2.3], [3.2, 1.3]])
'''
tensor([[0.2, 0.2],[1.2, 2.3],[3.2, 1.3]])
'''

1.1.2 torch.from_numpy(ndarray)

torch.from_numpy(ndarray)

• 功能：从numpy创建tensor
• 注意事项：从torch.from_numpy创建的tensor于原ndarray共享内存，当修改其中一个数据，另一个也将会被改动。

样例：

array = numpy.array([1, 2, 3, 4])
t = torch.from_numpy(array)

1.2 依据数值创建

1.2.1 torch.zeros

torch.zeros(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

• 功能：依size创建全0张量
• size: 张量的形状，如(3, 3)、(3, 224, 224)
• out: 输出的张量
• layout: 内存中布局形式，有strided, sparse_coo等
• device: 所在设备，gpu/cpu
• requires_grad: 是否需要梯度

样例：

torch.zeros(2, 3)  # 2行3列
'''
tensor([[0, 0, 0],[0, 0, 0]])
'''

1.2.2 torch.zeros_like

torch.zeros_like(input, dtype=None, layout=None, device=None, requires_grad=False)

• 功能：依input形状创建全0张量
• input: 创建与input同形状的全0张量
• dtype: 数据类型
• layout: 内存中布局形式
• device: 所在设备，gpu/cpu
• requires_grad: 是否需要梯度

样例：

input = torch.empty(3, 2)
torch.zeros_like(input)
'''
tensor([[0, 0],[0, 0],[0, 0]])
'''

1.2.3 torch.ones

torch.ones(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

• 功能：依size创建全1张量
• size: 张量的形状，如(3, 3)、(3, 224, 224)
• out: 输出的张量
• layout: 内存中布局形式，有strided, sparse_coo等
• device: 所在设备，gpu/cpu
• requires_grad: 是否需要梯度

样例：

torch.ones(2, 3)  # 2行3列
'''
tensor([[1, 1, 1],[1, 1, 1]])
'''

1.2.4 torch.ones_like

torch.ones_like(input, dtype=None, layout=None, device=None, requires_grad=False)

• 功能：依input形状创建全1张量
• input: 创建与input同形状的全0张量
• dtype: 数据类型
• layout: 内存中局形式
• device: 所在设备，gpu/cpu
• requires_grad: 是否需要梯度

样例：

input = torch.empty(2, 3)
torch.ones_like(input)
'''
tensor([[1, 1, 1],[1, 1, 1]])
'''

1.2.5 torch.full

torch.full(size, fill_value, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

• 功能：依size创建值全为fill_value的张量
• size: 张量的形状，如(3, 3)、(3, 224, 224)
• fill_value: 张量的值
• out: 输出的张量
• dtype: 数据类型
• layout: 内存中布局形式，有strided, sparse_coo等
• device: 所在设备，gpu/cpu
• requires_grad: 是否需要梯度

样例：

torch.full((3, 2), 1.23)'''
tensor([[1.23, 1.23],[1.23, 1.23],[1.23, 1.23]])
'''

1.2.6 torch.full_like

torch.full_like(input, dtype=None, layout=torch.strided, device=None, requires_grad=False)

• 功能：依input形状创建指定数据的张量
• dtype: 数据类型
• layout: 内存中布局形式，有strided, sparse_coo等
• device: 所在设备，gpu/cpu
• requires_grad: 是否需要梯度

1.2.7 torch.arange

torch.arange(start=0, end. step=1, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

• 功能：创建等差的1维张量
• start: 数列起始值
• end: 数列“结束值”
• step: 数列公差，默认为1
• 注意事项：数值区间为 [𝑠𝑡𝑎𝑟𝑡,𝑒𝑛𝑑) !!!

样例;

torch.arange(0, 3, 1)
'''
tensor([0, 1, 2])
'''

1.2.8 torch.linspace

torch.linspace(start, end, steps=100, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

• 功能：创建均分的1维张量
• start: 数列起始值
• end: 数列“结束值”
• step: 数列长度

样例：

torch.linspace(start=-5, end=5, steps=3)
'''
tensor([-5.,   0.,   5.])
'''

1.2.9 torch.logspace

torch.logspace(start, end, steps=100, base=10.0, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

• 功能：创建对数均分的1维张量
• start: 数列起始值
• end: 数列“结束值”
• step: 数列长度
• base: 对数函数的底，默认为10
• 注意事项：长度为steps，底为base

样例：

torch.logspace(start=0.1, end=1, steps=4)
'''
tensor([ 1.2589,  2.5119,  5.0119, 10.0000])
'''

1.2.10 torch.eye

torch.eye(n, m=None, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

• 功能：创建单位对角矩阵（2维张量）
• n: 矩阵行数
• m: 矩阵列数
• 注意事项：默认为方阵

torch.eye(3)
'''
tensor([[1., 0., 0.],[0., 1., 0.],[0., 0., 1.]])
'''

1.3 依概率分布创建张量

1.3.1 torch.normal

torch.normal(mean, std, out=None)

• 功能：生成正态分布（高斯分布）
• mean: 均值
• std: 标准差
• 四种模式：：
  • mean为标量，std为标量
  • mean为标量，std为张量
  • mean为张量，std为标量
  • mean为张量，std为张量

样例：

# 1. mean为标量，std为标量
mean1 = torch.tensor([1.0])
std1 = torch.tensor([2.0])
normal1 = torch.normal(mean=mean1, std=std1)
print(f'mean为标量，std为标量:  {normal1}')
# 2. mean为标量，std为张量
mean2 = torch.tensor([1.0])
std2 = torch.arange(1, 0, -0.1)
normal2 = torch.normal(mean=mean2, std=std2)
print(f'mean为标量，std为张量:  {normal2}')
# 3. mean为张量，std为标量
mean3 = torch.arange(1, 0, -0.1)
std3 = torch.tensor([1.0])
normal3 = torch.normal(mean=mean3, std=std3)
print(f'mean为张量，std为标量:  {normal3}')
# 4. mean为张量，std为张量
mean4 = torch.arange(1., 11.)
std4 = torch.arange(1, 0, -0.1)
normal4 = torch.normal(mean=mean4, std=std4)
print(f'mean为张量，std为张量:  {normal4}')
'''
mean为标量，std为标量:  tensor([0.8404])
mean为标量，std为张量:  tensor([ 1.9674,  0.3015,  1.4441,  1.1592, -0.3160,  0.8436,  1.1548,  1.1149, 0.8569,  0.8924])
mean为张量，std为标量:  tensor([-1.1098,  0.0993,  0.7905,  1.5703, -0.2797, -0.5459, -0.7058, -1.1746, 0.1725,  1.2089])
mean为张量，std为张量:  tensor([-0.1302,  1.2099,  1.6807,  2.5063,  5.4447,  6.4120,  6.9074,  8.2245, 8.9090, 10.0049])
'''

1.3.2 torch.normal

torch.normal(mean, std, size, out=None)

• 功能：生成一定大小的生成正态分布（高斯分布）
• size: 张量的形状，如(3, 3)、(3, 224, 224)

样例：

torch.normal(3, 2, size=(1, 3))
'''
tensor([[3.6354, 3.2656, 3.2746]])
'''

1.3.3 torch.randn

torch.randn(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

• 功能：生成标准正态分布
• size: 张量的形状，如(3, 3)、(3, 224, 224)

样例：

torch.randn(3, 2)
'''
tensor([[0.2405, 1.3955],[1.3470, 2.4382],[0.2028, 2.4505]])
'''

1.3.4 torch.rand

torch.rand(*size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

• 功能：在区间 [0,1) 上，生成均匀分布
• size: 张量的形状，如(3, 3)、(3, 224, 224)

样例：

torch.normal(3, 2, size=(1, 3))
'''
tensor([[3.6354, 3.2656, 3.2746]])
'''

1.3.5 torch.randint

torch.randint(low=0, high, size, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

• 功能：区间 [𝑙𝑜𝑤,ℎ𝑖𝑔ℎ) 生成整数均匀分布
• size: 张量的形状，如(3, 3)、(3, 224, 224)

样例：

torch.randint(1, 10, (2, 2))
'''
tensor([[8, 6],[1, 3]])
'''

1.3.6 torch.randperm

torch.randperm(n, out=None, dtype=torch.int64, layout=torch.strided, device=None, requires_grad=False)

• 功能：生成从0到n-1的随机排列
• n: 张量的长度

样例：

torch.randperm(6)
'''
tensor([2, 0, 4, 5, 1, 3])
'''

1.3.7 torch.bernoulli

torch.bernoulli(input, *, generator=None, out=None)

• 功能：以input为概率，生成伯努利分布（0-1分布，两点分布）
• input: 概率值

样例：

a = torch.empty(2, 2).uniform_(0, 1)  # 生成2×2的概率矩阵
torch.bernoulli(a)
'''
tensor([[0., 1.],[1., 0.]])
'''

2. 张量的操作

2.1 张量拼接与切分

2.1.1 torch.cat

torch.cat(tensors, dim=0, out=None)

• 功能：将张量按维度dim进行拼接
• tensors: 张量序列seq
• dim: 要拼接的维度 dim=0按行拼接 dim=1按列拼接 dim=n按维度拼接

x = torch.randn(2, 3)
print(x.shape)
a = torch.cat((x, x, x), 1)
a.shape
'''
torch.Size([2, 3])
torch.Size([2, 9])
'''

2.1.2 torch.stack

torch.stack(tensors, dim=0, out=None)

• 功能：对序列数据内部的张量进行扩维拼接，指定维度由程序员选择、大小是生成后数据的维度区间。
• tensors: 张量序列seq
• dim: 指定扩张的维度 dim=0按行扩张 dim=1按列扩张 dim=n按维度扩张
  拼接后的tensor形状，会根据不同的dim发生变化。
  
  参考：pytorch拼接函数：torch.stack()和torch.cat()详解

T1:tensor([[1, 2, 3],[4, 5, 6],[7, 8, 9]])
T2:tensor([[10, 20, 30],[40, 50, 60],[70, 80, 90]])
----------------------------------------------
R0 = torch.stack((T1, T2), dim=0)
'''tensor([[[1,  2,  3],[4,  5,  6],[7,  8,  9]],[[10, 20, 30],[40, 50, 60],[70, 80, 90]]])
torch.Size([2, 3, 3])
----------------------------------------------
'''
R1 = torch.stack((T1, T2), dim=1)
'''tensor([[[1,  2,  3],[10, 20, 30]],[[4,  5,  6],[40, 50, 60]],[[7,  8,  9],[70, 80, 90]]])torch.Size([3, 2, 3])
'''
----------------------------------------------
R2 = torch.stack((T1, T2), dim=2)
'''tensor([[[1, 10],[2, 20],[3, 30]],[[4, 40],[5, 50],[6, 60]],[[7, 70],[8, 80],[9, 90]]])torch.Size([3, 3, 2])
'''R3 = torch.stack((T1, T2), dim=3)
'''
IndexError: Dimension out of range (expected to be in range of [-3, 2], but got 3)
'''

2.1.3 torch.chunk

torch.chunk(input, chunks, dim=0)

• 功能：将张量按维度dim进行平均切分
• 返回值: 张量列表
• 注意事项：若不能整除，最后一份张量小于其他张量
• input: 要切分的张量
• chunks: 要切分的份数
• dim: 要切分的维度 0按照列切分 1按照行切分

a = torch.arange(10).reshape(5,2)
torch.chunk(a, 2)
'''
tensor([[0, 1],[2, 3],[4, 5],[6, 7],[8, 9]])
(tensor([[0, 1],[2, 3],[4, 5]]),tensor([[6, 7],[8, 9]]))
'''
---------------------------------------
torch.chunk(a, 2, 1)
'''
(tensor([[0],[2],[4],[6],[8]]),tensor([[1],[3],[5],[7],[9]]))
'''

2.1.4 torch.split

torch.split(tensor, split_size_or_sections, dim=0)

• 功能：将张量按维度dim进行切分
• 返回值: 张量列表
• tensor: 要切分的张量
• split_size_or_sections: 为int时，表示每一份的长度；为list时，按list元素切分
• dim: 要切分的维度 0按照列切分 1按照行切分

a = torch.arange(10).reshape(5,2)
torch.split(a, 2)
''' 
tensor([[0, 1],[2, 3],[4, 5],[6, 7],[8, 9]])
(tensor([[0, 1],[2, 3]]),tensor([[4, 5],[6, 7]]),tensor([[8, 9]]))
'''
torch.split(a, [3, 1, 1])
'''
(tensor([[0, 1],[2, 3],[4, 5]]),tensor([[6, 7]]),tensor([[8, 9]]))
'''

2.2 张量索引

2.2.1 torch.index_select

torch.index_select(input, dim, index, out=None)

• 功能：在维度dim上，按index索引数据
• 返回值: 依index索引数据拼接的张量
• input: 要索引的张量
• dim: 要索引的维度 0按照列切分 1按照行切分
• index: 要索引数据的序号

x = torch.randn(3, 4)
indices = torch.tensor([0, 2])
torch.index_select(x, 0, indices)
'''
x: tensor([[-0.1468,  0.7861,  0.9468, -1.1143],[ 1.6908, -0.8948, -0.3556,  1.2324],[ 0.1382, -1.6822,  0.3177,  0.1328]])
indices: tensor([0, 2])
tensor([[-0.1468,  0.7861,  0.9468, -1.1143],[ 0.1382, -1.6822,  0.3177,  0.1328]])
'''

2.2.2 torch.masked_select

torch.masked_select(input, mask, out=None)

• 功能：按mask中的True进行索引
• 返回值: 一维张量
• input: 要索引的张量
• mask: 与input同形状的布尔类型张量

x = torch.randn(3, 4)
print('x:',x)
mask = x.ge(0.5)
print('mask:',mask)
torch.masked_select(x, mask)
'''
x: tensor([[ 0.1373,  0.2405,  1.3955,  1.3470],[ 2.4382,  0.2028,  2.4505,  2.0256],[ 1.7792, -0.9179, -0.4578, -0.7245]])
mask: tensor([[False, False,  True,  True],[ True, False,  True,  True],[ True, False, False, False]])
tensor([1.3955, 1.3470, 2.4382, 2.4505, 2.0256, 1.7792])
'''

2.3 张量变换

2.3.1 torch.reshape

torch.reshape(input, shape)

• 功能：变换张量形状
• 注意事项: 当张量在内存中是连续时，新张量与input共享数据内存
• input: 要变换的张量
• shape: 新张量的形状

a = torch.arange(4.)
torch.reshape(a, (2, 2))
'''
tensor([0., 1., 2., 3.])
tensor([[0., 1.],[2., 3.]])
'''

2.3.2 torch.transpose

torch.transpose(input, dim0, dim1)

• 功能：交换张量的两个维度
• input: 要交换的张量
• dim0: 要交换的维度
• dim1: 要交换的维度

x = torch.randn(2, 3)
torch.transpose(x, 0, 1)
'''
x:
tensor([[ 1.2799, -0.9941,  1.8150],[-0.6028,  1.6148,  1.9302]])
torch.Size([2, 3])
tensor([[ 1.2799, -0.6028],[-0.9941,  1.6148],[ 1.8150,  1.9302]])
torch.Size([3, 2])
'''
x = torch.randn(2, 3, 4)
print(x)
print(x.shape)
a = torch.transpose(x, 0, 2)
print(a)
print(a.shape)
'''
tensor([[[ 0.8885, -1.4867, -0.8898,  0.9005],[ 0.2615, -0.1494,  1.1523, -1.1309],[ 1.4025, -0.4167,  0.1655, -0.7157]],[[ 1.2425, -1.3332,  0.2961, -0.0937],[-0.7556, -0.1198,  0.9545,  0.1492],[ 1.6222,  0.1947, -1.5953,  0.5859]]])
torch.Size([2, 3, 4])
tensor([[[ 0.8885,  1.2425],[ 0.2615, -0.7556],[ 1.4025,  1.6222]],[[-1.4867, -1.3332],[-0.1494, -0.1198],[-0.4167,  0.1947]],[[-0.8898,  0.2961],[ 1.1523,  0.9545],[ 0.1655, -1.5953]],[[ 0.9005, -0.0937],[-1.1309,  0.1492],[-0.7157,  0.5859]]])
torch.Size([4, 3, 2])
'''

2.3.3 torch.t

torch.t(input)

• 功能：2维张量转置，对矩阵而言，等价于torch.transpose(input, 0, 1)

x = torch.randn((2, 2))
print(x)
torch.t(x)
'''
tensor([[ 0.5740, -0.0798],[ 0.9674, -0.7761]])
tensor([[ 0.5740,  0.9674],[-0.0798, -0.7761]])
'''

2.3.4 torch.squeeze

torch.squeeze(input, dim=None, out=None)

• 功能：压缩长度为1的维度（轴） 维度压缩
• dim: 若为None，移除所有长度为1的轴；若指定维度，当且仅当该轴长度为1时，可以被移除

x = torch.zeros(2, 1, 2, 1, 2)
print(x)
print(x.shape)
y = torch.squeeze(x)
print(y)
print(y.shape)
'''
tensor([[[[[0., 0.]],[[0., 0.]]]],[[[[0., 0.]],[[0., 0.]]]]])
torch.Size([2, 1, 2, 1, 2])
tensor([[[0., 0.],[0., 0.]],[[0., 0.],[0., 0.]]])
torch.Size([2, 2, 2])
'''

2.3.5 torch.unsqueeze

torch.unsqueeze(input, dim, out=None)

• 功能：依据dim扩展维度
• dim: 扩展的维度 0行扩展 1列扩展 -1最后一个维度扩展

x = torch.tensor([1, 2, 3])
print(x.shape)
t0 = torch.unsqueeze(x, 0)
print(t0.shape)
t1 = torch.unsqueeze(x, 1)
print(t1.shape)
t2 = torch.unsqueeze(x, -1)
print(t2.shape)
t0, t1, t2
'''
x:torch.Size([3])
t0:tensor([[1, 2, 3]])torch.Size([1, 3])
t1: tensor([[1],[2],[3]])torch.Size([3, 1])
t2:tensor([[1],[2],[3]]))torch.Size([3, 1])
'''

线性回归模型

• 线性回归是分析一个变量与另外一（多）个变量之间关系的方法。
  • 因变量是$y$，自变量是$x$，关系线性：$y=w\times x+b$，任务是求解 $w$，$b$。
• 我们的求解步骤是：
• 确定模型：$Model\to y=w\times x+b$
• 选择损失函数：这里用$MSE:\frac{1}{m}{\sum }_{i=1}^m(y_i-{\hat{y}}_i{)}^2$
• 求解梯度并更新$w$，$b$：
  $$\begin{array}{lcl}w& =& w-lr\times w.grad\\ b& =& b-lr\times w.grad\end{array}$$
• 下面我们开始写一个线性回归模型：

# 首先我们得有训练样本X，Y， 这里我们随机生成
x = torch.rand(20, 1) * 10
y = 2 * x + (5 + torch.randn(20, 1))# 构建线性回归函数的参数
w = torch.randn((1), requires_grad=True)
b = torch.zeros((1), requires_grad=True)   # 这俩都需要求梯度# 设置学习率lr为0.1
lr = 0.1for iteration in range(100):# 前向传播wx = torch.mul(w, x)y_pred = torch.add(wx, b)# 计算loss  均方误差loss = (0.5 * (y-y_pred)**2).mean()# 反向传播loss.backward()# 更新参数b.data.sub_(lr * b.grad)    # 这种_的加法操作时从自身减，相当于-=w.data.sub_(lr * w.grad)# 梯度清零w.grad.data.zero_()b.grad.data.zero_()print(w.data, b.data)

部分学习内容来自： 天池实验室