PyTorch张量操作详解

持续创造，加快生长！这是我参与「日新计划 10 月更文挑战」的第1天，点击检查活动详情

前语

PyTorch 建立在张量之上，PyTorch 张量是一个 n 维数组，类似于 NumPy 数组。假如对NumPy较为熟悉，咱们会在运用张量时看到语法上的相似之处：

在本节中，咱们将学习怎么界说和更改张量，将张量转换为数组，以及在核算设备之间移动张量。

界说张量数据类型

默认张量数据类型是 torch.float32，这是张量运算最常用的数据类型。

1. 界说一个具有默认数据类型的张量：

x = torch.ones(2, 2)
print(x)
print(x.dtype)

2. 界说张量时指定数据类型：

x = torch.ones(2, 2, dtype=torch.int8)
print(x)
print(x.dtype)

更改张量的数据类型

咱们能够运用 type()办法更改张量的数据类型：

1.运用 torch.uint8 类型界说一个张量：

x=torch.ones(1,dtype=torch.uint8)
print(x.dtype)

2. 更改张量数据类型：

x=x.type(torch.float)
print(x.dtype)

将张量转换为 NumPy 数组

咱们能够十分方便地将 PyTorch 张量转换为 NumPy 数组。

1. 界说一个张量：

x=torch.rand(2,2)
print(x)
print(x.dtype)

2. 将张量转换为 NumPy 数组：

y=x.numpy()
print(y)
print(y.dtype)

将 NumPy 数组转换为张量

咱们还能够将 NumPy 数组转换为 PyTorch 张量。

1. 界说一个 NumPy 数组：

import numpy as np
x=np.zeros((2,2),dtype=np.float32)
print(x)
print(x.dtype)

2. 将 NumPy 数组转换为 PyTorch 张量：

y=torch.from_numpy(x)
print(y)
print(y.dtype)

在设备之间移动张量

默认情况下，PyTorch 张量存储在 CPU 上，PyTorch 张量能够在运用GPU 来加快核算。这是张量与 NumPy 数组比较的首要优势。为了利用这一优势，咱们需要将张量移动到 CUDA 设备上，咱们能够运用 to() 办法将张量移动到其它可用设备上。

1. 在 CPU 上界说一个张量：

x=torch.tensor([1.5, 2])
print(x)
print(x.device)

2. 界说一个 CUDA 设备：

if torch.cuda.is_available():
    device = torch.device("cuda:0")

3. 将张量移动到 CUDA 设备上：

x = x.to(device)
print(x)
print(x.device)

4. 同样，咱们能够将张量移动到 CPU：

device = torch.device("cpu")
x = x.to(device)
print(x)
print(x.device)

5. 咱们也能够直接在可用设备上创立张量：

device = torch.device("cuda:0")
x = torch.ones(2,2, device=device)
print(x)

小结

在本节中，咱们首要界说了一个张量，获得了张量类型，并改变了它的类型。然后，咱们将 PyTorch 张量转换为 NumPy 数组，然后进行相反的转换操作。同时，咱们还介绍了怎么运用 type()办法更改张量数据类型。然后，咱们学习了怎么运用 numpy()办法将 PyTorch 张量转换为 NumPy 数组。

之后，咱们运用 from_numpy(x) 办法将 NumPy 数组转换为 PyTorch 张量。然后，咱们向学习了怎么运用 to()办法将张量在 CPU 和 CUDA 设备之间移动；假如创立张量时不指定设备，则张量将默认创立在 CPU 设备上。