张量（Tensor）
张量是一个多维数组，可以是标量、向量、矩阵或更高维度的数据结构。
在 PyTorch 中，张量（Tensor）是数据的核心表示形式，类似于 NumPy 的多维数组，但具有更强大的功能，例如支持 GPU 加速和自动梯度计算。
张量支持多种数据类型（整型、浮点型、布尔型等）。
张量可以存储在 CPU 或 GPU 中，GPU 张量可显著加速计算。
创建张量
张量创建的方式有：
| 方法 | 说明 | 示例代码 |
|---|---|---|
torch.tensor(data) | 从 Python 列表或 NumPy 数组创建张量。 | x = torch.tensor([[1, 2], [3, 4]]) |
torch.zeros(size) | 创建一个全为零的张量。 | x = torch.zeros((2, 3)) |
torch.ones(size) | 创建一个全为 1 的张量。 | x = torch.ones((2, 3)) |
torch.empty(size) | 创建一个未初始化的张量。 | x = torch.empty((2, 3)) |
torch.rand(size) | 创建一个服从均匀分布的随机张量，值在 [0, 1) 。 | x = torch.rand((2, 3)) |
torch.randn(size) | 创建一个服从正态分布的随机张量，均值为 0，标准差为 1。 | x = torch.randn((2, 3)) |
torch.arange(start, end, step) | 创建一个一维序列张量，类似于 Python 的 range 。 | x = torch.arange(0, 10, 2) |
torch.linspace(start, end, steps) | 创建一个在指定范围内等间隔的序列张量。 | x = torch.linspace(0, 1, 5) |
torch.eye(size) | 创建一个单位矩阵（对角线为 1，其他为 0）。 | x = torch.eye(3) |
torch.from_numpy(ndarray) | 将 NumPy 数组转换为张量。 | x = torch.from_numpy(np.array([1, 2, 3])) |
使用 torch.tensor() 函数，你可以将一个列表或数组转换为张量：
实例
import torch
tensor = torch.tensor([1, 2, 3])
print(tensor)
输出如下：
tensor(1, 2, 3)
如果你有一个 NumPy 数组，可以使用 torch.from_numpy() 将其转换为张量：
print("Shape:", tensor_2d.shape) # 形
张量的属性
张量的属性如下表：
| 属性 | 说明 | 示例 |
|---|---|---|
.shape | 获取张量的形状 | tensor.shape |
.size() | 获取张量的形状 | tensor.size() |
.dtype | 获取张量的数据类型 | tensor.dtype |
.device | 查看张量所在的设备 (CPU/GPU) | tensor.device |
.dim() | 获取张量的维度数 | tensor.dim() |
.requires_grad | 是否启用梯度计算 | tensor.requires_grad |
.numel() | 获取张量中的元素总数 | tensor.numel() |
.is_cuda | 检查张量是否在 GPU 上 | tensor.is_cuda |
.T | 获取张量的转置（适用于 2D 张量） | tensor.T |
.item() | 获取单元素张量的值 | tensor.item() |
.is_contiguous() | 检查张量是否连续存储 | tensor.is_contiguous() |
张量的操作
基础操作：
| 操作 | 说明 | 示例代码 |
|---|---|---|
+, -, *, / | 元素级加法、减法、乘法、除法。 | z = x + y |
torch.matmul(x, y) | 矩阵乘法。 | z = torch.matmul(x, y) |
torch.dot(x, y) | 向量点积（仅适用于 1D 张量）。 | z = torch.dot(x, y) |
torch.sum(x) | 求和。 | z = torch.sum(x) |
torch.mean(x) | 求均值。 | z = torch.mean(x) |
torch.max(x) | 求最大值。 | z = torch.max(x) |
torch.min(x) | 求最小值。 | z = torch.min(x) |
torch.argmax(x, dim) | 返回最大值的索引（指定维度）。 | z = torch.argmax(x, dim=1) |
torch.softmax(x, dim) | 计算 softmax（指定维度）。 | z = torch.softmax(x, dim=1) |
形状操作
| 操作 | 说明 | 示例代码 |
|---|---|---|
x.view(shape) | 改变张量的形状（不改变数据）。 | z = x.view(3, 4) |
x.reshape(shape) | 类似于 view ，但更灵活。 | z = x.reshape(3, 4) |
x.t() | 转置矩阵。 | z = x.t() |
x.unsqueeze(dim) | 在指定维度添加一个维度。 | z = x.unsqueeze(0) |
x.squeeze(dim) | 去掉指定维度为 1 的维度。 | z = x.squeeze(0) |
torch.cat((x, y), dim) | 按指定维度连接多个张量。 | z = torch.cat((x, y), dim=1) |
张量的 GPU 加速
将张量转移到 GPU：
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
x = torch.tensor([1.0, 2.0, 3.0], device=device)
检查 GPU 是否可用：
torch.cuda.is_available() # 返回 True 或 False
张量与 NumPy 的互操作
张量与 NumPy 的互操作如下表所示：
| 操作 | 说明 | 示例代码 |
|---|---|---|
torch.from_numpy(ndarray) | 将 NumPy 数组转换为张量。 | x = torch.from_numpy(np_array) |
x.numpy() | 将张量转换为 NumPy 数组（仅限 CPU 张量）。 | np_array = x.numpy() |
评论区
评论加载中...