一文读懂PyTorch张量基础（附代码）

本文介绍了PyTorch中的Tensor类，它相似于Numpy中的ndarray，它构成了在PyTorch中构建神经网络的基础。

咱们已经知道张量究竟是什么了，而且知道如何用Numpy的ndarray来表示它们，如今咱们看看如何在PyTorch中表示它们。

自从Facebook在2017年初将PyTorch开源以来，它已经在机器学习领域取得了使人瞩目的成绩。它可能没有像TensorFlow那样被普遍采用 --- 它的最初发布时间早于PyTorch一年，背后有Google的支持，而且当神经网络工具迎来新的潮流时，它已经将本身确立为了金牌标准。但PyTorch在研究领域受到了普遍的关注，这种关注大部分来自与Torch自己的关系，以及它的动态计算图。

尽管最近个人注意力都在PyTorch上，但这篇文章并非PyTorch的教程。它更多地是介绍PyTorch的Tensor类，这与Numpy的ndarray相似。

张量基础

让咱们来看一下PyTorch的张量基础知识，从建立张量开始（使用Tensor类）：

 

import torch

# Create a Torch tensor

t = torch.Tensor([[1, 2, 3], [4, 5, 6]])

t

tensor([[ 1., 2., 3.],

[ 4., 5., 6.]])

 

你可使用两种方式转置一个张量：

 

# Transpose

t.t()

# Transpose (via permute)

t.permute(-1,0)

 

二者都会产生以下输出结果：

 

tensor([[ 1., 4.],

[ 2., 5.],

[ 3., 6.]])

 

请注意，两种方式都不会致使原始张量的改变。

用view从新塑造张量：

# Reshape via view
t.view(3,2)

tensor([[ 1., 2.],

[ 3., 4.],

[ 5., 6.]])

另外一个例子：

# View again...

t.view(6,1)

tensor([[ 1.],

[ 2.],

[ 3.],

[ 4.],

[ 5.],

[ 6.]])

很明显，Numpy所遵循的数学约定延续到了PyTorch张量中（我具体指的是行和列的标记符号）。

建立一个张量并用零填充（你能够用ones()来完成相似的操做）：

# Create tensor of zeros

t = torch.zeros(3, 3)

t

tensor([[ 0., 0., 0.],

[ 0., 0., 0.],

[ 0., 0., 0.]])

从正态分布中随机取数并建立张量：

 

# Create tensor from normal distribution randoms

t = torch.randn(3, 3)

t

tensor([[ 1.0274, -1.3727, -0.2196],

[-0.7258, -2.1236, -0.8512],

[ 0.0392, 1.2392, 0.5460]])

 

Tensor对象的形状、维度和数据类型：

# Some tensor info

print('Tensor shape:', t.shape) # t.size() gives the same

print('Number of dimensions:', t.dim())

print('Tensor type:', t.type()) # there are other types

Tensor shape: torch.Size([3, 3])

Number of dimensions: 2

Tensor type: torch.FloatTensor

除了在数学概念上，ndarray和Tensor在编程和实例化上也有类似之处。

你能够像切片ndarrays同样切片PyTorch张量，任何使用其余Python结构的人应该都熟悉这一点：