翻譯：和中華
校對：丁楠雅
本文約1000字，建議閱讀5分鐘。
本文介紹了PyTorch Tensor最基礎的知識以及如何跟Numpy的ndarray互相轉換。
本文介紹了PyTorch中的Tensor類，它類似於Numpy中的ndarray，它構成了在PyTorch中構建神經網絡的基礎。
我們已經知道張量到底是什麼了，並且知道如何用Numpy的ndarray來表示它們，現在我們看看如何在PyTorch中表示它們。
自從Facebook在2017年初將PyTorch開源以來，它已經在機器學習領域取得了令人矚目的成績。它可能沒有像TensorFlow那樣被廣泛採用 --- 它的最初發布時間早於PyTorch一年，背後有Google的支持，並且當神經網絡工具迎來新的潮流時，它已經將自己確立為了金牌標準。但PyTorch在研究領域受到了廣泛的關注，這種關注大部分來自與Torch本身的關係，以及它的動態計算圖。
儘管最近我的注意力都在PyTorch上，但這篇文章並不是PyTorch的教程。它更多地是介紹PyTorch的Tensor類，這與Numpy的ndarray類似。
張量基礎
讓我們來看一下PyTorch的張量基礎知識，從創建張量開始（使用Tensor類）：
import torch
# Create a Torch tensor
t = torch.Tensor([[1, 2, 3], [4, 5, 6]])
t
tensor([[ 1., 2., 3.],
[ 4., 5., 6.]])
你可以使用兩種方式轉置一個張量：
# Transpose
t.t()
# Transpose (via permute)
t.permute(-1,0)
兩者都會產生如下輸出結果：
tensor([[ 1., 4.],
[ 2., 5.],
[ 3., 6.]])
請注意，兩種方式都不會導致原始張量的改變。
用view重新塑造張量：
# Reshape via view
t.view(3,2)
tensor([[ 1., 2.],
[ 3., 4.],
[ 5., 6.]])
另一個例子：
# View again...
t.view(6,1)
tensor([[ 1.],
[ 2.],
[ 3.],
[ 4.],
[ 5.],
[ 6.]])
很明顯，Numpy所遵循的數學約定延續到了PyTorch張量中（我具體指的是行和列的標記符號）。
創建一個張量並用零填充（你可以用ones()來完成類似的操作）：
# Create tensor of zeros
t = torch.zeros(3, 3)
t
tensor([[ 0., 0., 0.],
[ 0., 0., 0.],
[ 0., 0., 0.]])
從正態分佈中隨機取數並創建張量：
# 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對象的形狀、維度和數據類型：
# 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
除了在數學概念上，ndarray和Tensor在編程和實例化上也有相似之處。
你可以像切片ndarrays一樣切片PyTorch張量，任何使用其他Python結構的人應該都熟悉這一點：
# Slicing
t = torch.Tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# Every row, only the last column
print(t[:, -1])
# First 2 rows, all columns
print(t[:2, :])
# Lower right most corner
print(t[-1:, -1:])
tensor([ 3., 6., 9.])
tensor([[ 1., 2., 3.],
[ 4., 5., 6.]])
tensor([[ 9.]])
PyTorch張量和Numpy ndarray之間轉換
你可以輕鬆地從ndarray創建張量，反之亦然。這些操作很快，因為兩個結構的數據將共享相同的內存空間，因此不涉及複製。這顯然是一種有效的方法。
# Numpy ndarray PyTorch tensor
import numpy as np
# ndarray to tensor
a = np.random.randn(3, 5)
t = torch.from_numpy(a)
print(a)
print(t)
print(type(a))
print(type(t))
[[-0.52192738 -1.11579634 1.26925835 0.10449378 -1.02894372]
[-0.78707263 -0.05350072 -0.65815075 0.18810677 -0.52795765]
[-0.41677548 0.82031861 -2.46699201 0.60320375 -1.69778546]]
tensor([[-0.5219, -1.1158, 1.2693, 0.1045, -1.0289],
[-0.7871, -0.0535, -0.6582, 0.1881, -0.5280],
[-0.4168, 0.8203, -2.4670, 0.6032, -1.6978]], dtype=torch.float64)
# tensor to ndarray
t = torch.randn(3, 5)
a = t.numpy()
print(t)
print(a)
print(type(t))
print(type(a))
tensor([[-0.1746, -2.4118, 0.4688, -0.0517, -0.2706],
[-0.8402, -0.3289, 0.4170, 1.9131, -0.8601],
[-0.6688, -0.2069, -0.8106, 0.8582, -0.0450]])
[[-0.17455131 -2.4117854 0.4688457 -0.05168453 -0.2706456 ]
[-0.8402392 -0.3289494 0.41703534 1.9130518 -0.86014426]
[-0.6688193 -0.20693372 -0.8105542 0.8581988 -0.04502954]]
基本張量操作
這裡有幾個張量操作，你可以將它與Numpy的實現進行比較。
首先是叉積（cross product）：# Compute cross product
t1 = torch.randn(4, 3)
t2 = torch.randn(4, 3)
t1.cross(t2)
tensor([[ 2.6594, -0.5765, 1.4313],
[ 0.4710, -0.3725, 2.1783],
[-0.9134, 1.6253, 0.7398],
[-0.4959, -0.4198, 1.1338]])
下面是矩陣的積：
# Compute matrix product
t = (torch.Tensor([[2, 4], [5, 10]]).mm(torch.Tensor([[10], [20]])))
t
tensor([[ 100.],
[ 250.]])
最後，對應元素的乘法：
# Elementwise multiplication
t = torch.Tensor([[1, 2], [3, 4]])
t.mul(t)
tensor([[ 1., 4.],
[ 9., 16.]])
關於GPU的一句話
PyTorch張量具有固有的GPU支持。指定使用GPU內存和CUDA內核來存儲和執行張量計算非常簡單；cuda軟件包可以幫助確定GPU是否可用，並且該軟件包的cuda方法為GPU分配了一個張量。
# Is CUDA GPU available?
torch.cuda.is_available()
# How many CUDA devices?
torch.cuda.device_count()
# Move to GPU
t.cuda()
原文鏈接：https://www.kdnuggets.com/2018/05/pytorch-tensor-basics.html
譯者簡介
和中華，留德軟件工程碩士。由於對機器學習感興趣，碩士論文選擇了利用遺傳算法思想改進傳統kmeans。目前在杭州進行大數據相關實踐。加入數據派THU希望為IT同行們儘自己一份綿薄之力，也希望結交許多志趣相投的小夥伴。
閱讀更多 THU數據派 的文章
