Pytorch（一） —— 基本语法

1.基本数据类型

1.1 torch.FloatTensor与torch.cuda.FloatTensor

• torch.FloatTensor为CPU上的数据类型
• torch.cuda.FloatTensor为GPU上的数据类型
  

1.2 torch.DoubleTensor与torch.cuda.DoubleTensor

1.3 torch.IntTensor与torch.cuda.IntTensor

1.4 torch.LongTensor与torch.cuda.LongTensor

1.5 torch.BoolTensor与torch.cuda.BoolTensor

2 Tensor创建的常用操作

2.1 判断是否为本机是否有可用的GPU资源

2.2 CPU类型数据转换为GPU类型数据

• 使用数据的.cuda()方法
  

2.3 获取Tensor的形状

• 使用.shape属性
• 使用.size()方法
  

2.4 将numpy格式的数据转换为Tensor格式

2.4 将List格式的数据转换为Tensor格式

2.5 创建未初始化的Tensor

• torch.empty()
• torch.FloatTensor(d1,d2,d3)
  

2.6 设置Tensor的默认格式

• torch.set_default_tensor_type
  

2.7 创建均匀分布与纯整数Tensor

• 均匀分布：torch.rand() / torch.rand_like()
• 纯整数: torch.randint() / torch.randint_like()
  

2.8 创建正态分布的Tensor

• torch.randn()
• torch.normal()
  
  

2.9 创建元素全相同的Tensor

• torch.full()
  

2.10 torch.arange()

2.10 torch.linespace()

2.10 torch.logspace()

• 创建对数均分的1维Tensor
  

2.11 torch.ones / .zeros / eye

2.12 随机打散

• torch.randperm 随机打乱一个数字序列
• 

3. 索引与切片

3.1 对指定维度进行索引

• Tensor.index_select()
  

3.2 使用…进行索引

3.3 使用masked_select进行索引

• torch.masked_select()
• Tensor.ge() 是否大于某个数值
  

4. 维度变换

4.1 torch.view() / reshape()

• torch.view() 将数据以某种排列方式展示给我们，不改变存储区的真实数据，只改变头信息区，数据存储不连续是不能使用 view() 方法的。
• torch.reshape()，当 tensor 满足连续性要求时，reshape() = view()，和原来 tensor 共用存储区 当 tensor；不满足连续性要求时，reshape() = **contiguous() + view()，会产生新的存储区的 tensor，与原来tensor 不共用存储区。
  
  

4.2 添加一个维度torch.unsqueeze()

4.3 减少一个维度torch.squeeze()

4.4 broadcasting：使用expand方法

• 函数对返回的张量不会分配新内存，即在原始张量上返回只读视图，返回的张量内存是不连续的
  

4.4 内存复制：使用repeat方法

• 与torch.expand不同的是torch.repeat返回的张量在内存中是连续的
• 

4.5 维度交换与转置：使用transpose和permute方法

• .t() 为二维矩阵转置
• .transpose() 交换任意两个维度的顺序
• .permute() 任意交换维度顺序
  

5 Tensor的合并与拆分

5.1 合并

• torch.cat() 在已有维度上进行合并
• torch.stack() 新建一个维度并进行合并

a = torch.randn(4,28,64)
b = torch.randn(4,28,64)
print(torch.cat([a,b],dim=0).size())
print(torch.stack([a,b],dim=0).size())

torch.Size([8, 28, 64])
torch.Size([2, 4, 28, 64])

5.2 拆分

• torch.split() 按照给定长度进行拆分
• torch.chunk() 按照给定份数进行拆分

a = torch.rand(9,28,28)
print([i.size() for i in a.split([4,5],dim=0)])
print([i.size() for i in a.chunk(2,dim=0)])

[torch.Size([4, 28, 28]), torch.Size([5, 28, 28])]
[torch.Size([5, 28, 28]), torch.Size([4, 28, 28])]

6. 数学运算

6.1 基础运算

• +、-、*、/

a = torch.rand(64,128)
b = torch.rand(128)
print(torch.all(torch.eq(a+b,torch.add(a,b))))
print(torch.all(torch.eq(a-b,torch.sub(a,b))))
print(torch.all(torch.eq(a/b,torch.div(a,b))))
print(torch.all(torch.eq(a*b,torch.mul(a,b))))

tensor(True)
tensor(True)
tensor(True)
tensor(True)

6.2 矩阵运算

• torch.mm() 适用于二维tensor之间的矩阵乘法
• torch.matmul() 适用于二维及大于二维tensor之间的矩阵乘法
• @ 与.matmul()方法的用法一致

x = torch.rand(100,32)
w = torch.rand(32,64)
print(torch.mm(x,w).size())
print(torch.matmul(x,w).size())
print(([email protected]).size())

torch.Size([100, 64])
torch.Size([100, 64])
torch.Size([100, 64])

x = torch.rand(128,64,100,32)
w = torch.rand(32,64)
print(torch.matmul(x,w).size())
print(([email protected]).size())
print(torch.mm(x,w).size())

torch.Size([128, 64, 100, 64])
torch.Size([128, 64, 100, 64])
---------------------------------------------------------------------------
RuntimeError                              Traceback (most recent call last)
<ipython-input-15-df2761074153> in <module>
      3 print(torch.matmul(x,w).size())
      4 print(([email protected]).size())
----> 5 print(torch.mm(x,w).size())

RuntimeError: self must be a matrix

6.3 幂运算

• .pow() 幂运算
• .sqrt() 开根运算
• .rsqrt() 开根再求倒数运算

a = torch.full([3,3],3.)
print(a)
print(a.pow(2))
print(a.sqrt())
print((a**2).rsqrt())

tensor([[3., 3., 3.],
        [3., 3., 3.],
        [3., 3., 3.]])
tensor([[9., 9., 9.],
        [9., 9., 9.],
        [9., 9., 9.]])
tensor([[1.7321, 1.7321, 1.7321],
        [1.7321, 1.7321, 1.7321],
        [1.7321, 1.7321, 1.7321]])
tensor([[0.3333, 0.3333, 0.3333],
        [0.3333, 0.3333, 0.3333],
        [0.3333, 0.3333, 0.3333]])

6.4 指数和对数运算

• torch.exp()
• torch.log()

a = torch.exp(torch.full([2,2],3.))
print(a)
print(torch.log(a))
## 以3为底的对数运算
print(torch.log(a)/torch.log(torch.tensor(3.)))

tensor([[20.0855, 20.0855],
        [20.0855, 20.0855]])
tensor([[3., 3.],
        [3., 3.]])
tensor([[2.7307, 2.7307],
        [2.7307, 2.7307]])

6.5 近似计算

• torch.floor() 向下取整
• torch.ceil() 向上取整
• torch.round() 四舍五入
• torch.trunc() 取出整数部分
• torch.frac()取出小数部分

a = torch.tensor(3.14)
b = torch.tensor(3.54)
print(a.floor())
print(a.ceil())
print(a.round())
print(b.round())
print(a.trunc())
print(a.frac())

tensor(3.)
tensor(4.)
tensor(3.)
tensor(4.)
tensor(3.)
tensor(0.1400)

6.6 梯度裁剪计算

• torch.clamp()

      | min, if x_i < min
y_i = | x_i, if min <= x_i <= max
      | max, if x_i > max

grad = torch.rand(3,3)*30
print(grad)
print(grad.clamp(0,10))

tensor([[ 0.5450,  3.1299,  0.0786],
        [22.1880, 27.4744,  2.3748],
        [10.4793,  5.7453, 20.6413]])
tensor([[ 0.5450,  3.1299,  0.0786],
        [10.0000, 10.0000,  2.3748],
        [10.0000,  5.7453, 10.0000]])

7. Tensor的统计计算

7.1 范数计算

• Tensor.norm§ 进行p范数计算

a  = torch.randn(8)
b = a.view(2,4)
c = a.view(2,2,2)
print(a.norm(1),b.norm(1),c.norm(1))
print(a.norm(2),b.norm(2),c.norm(2))
print(b.norm(2,dim=1))
print(c.norm(2,dim=0))

tensor(5.4647) tensor(5.4647) tensor(5.4647)
tensor(2.1229) tensor(2.1229) tensor(2.1229)
tensor([1.6208, 1.3711])
tensor([[1.1313, 0.8043],
        [1.2935, 0.9523]])

7.2 统计指标计算

• Tensor.sum() 求和
• Tensor.min() / .max() 求最小值和最大值
• Tensor.argmin() / .Tensor.argmax() 求最小值或最大值对应的索引
• Tensor,prod() 求取累乘的结果
• Tensor.mean() 求取均值
• 可以对keepdim关键词进行赋值，以确定计算结果是否要维持原有维度

a = torch.rand(3,4)
print(a)
print(a.mean(),a.max(),a.min(),a.prod())
print(a.argmax(),a.argmin())
print(a.argmin(dim=1))
print(a.argmin(dim=1,keepdim=True))

tensor([[0.7824, 0.4527, 0.4538, 0.6727],
        [0.2269, 0.9950, 0.9010, 0.2681],
        [0.3563, 0.2929, 0.5285, 0.6461]])
tensor(0.5480) tensor(0.9950) tensor(0.2269) tensor(0.0002)
tensor(5) tensor(4)
tensor([1, 0, 1])
tensor([[1],
        [0],
        [1]])

7.3 计算前k个值或第k小的值

• Tensor.topk() 计算前k个最小或最大的值
• Tensor.kthvalue（） 返回第k小的值

a = torch.rand(3,4)
print(a)
print(a.topk(2,dim=0,largest=True))
print(a.kthvalue(3,dim=0))

tensor([[0.9367, 0.3146, 0.6258, 0.2656],
        [0.8911, 0.6364, 0.7013, 0.2946],
        [0.4879, 0.5836, 0.0198, 0.2136]])
torch.return_types.topk(
values=tensor([[0.9367, 0.6364, 0.7013, 0.2946],
        [0.8911, 0.5836, 0.6258, 0.2656]]),
indices=tensor([[0, 1, 1, 1],
        [1, 2, 0, 0]]))
torch.return_types.kthvalue(
values=tensor([0.9367, 0.6364, 0.7013, 0.2946]),
indices=tensor([0, 1, 1, 1]))

8. where和gather函数

8.1 torch.where()

torch.where(condition,a,b) -> Tensor
满足条件返回a，否则返回b

condition = torch.rand(2,2)
a = torch.full([2,2],1)
b = torch.full([2,2],0)
print(condition)
print(a)
print(b)
print(torch.where(condition>= 0.5,a,b))

tensor([[0.5827, 0.1495],
        [0.8753, 0.6246]])
tensor([[1, 1],
        [1, 1]])
tensor([[0, 0],
        [0, 0]])
tensor([[1, 0],
        [1, 1]])

8.1 torch.gather()

• 用于查表
• torch.gather(input,dim,index)
• 对于指定维度按索引进行查询
• index除了指定维度的大小与input可以不一致外，其它均需一致

prob = torch.rand(5,10)
index = prob.topk(3,dim=1,largest=True)[1]
print(index)
table = torch.arange(150,160).expand(5,10)
print(table)
print(torch.gather(table,dim=1,index=index))

tensor([[8, 7, 3],
        [2, 0, 1],
        [4, 3, 2],
        [8, 4, 0],
        [0, 6, 1]])
tensor([[150, 151, 152, 153, 154, 155, 156, 157, 158, 159],
        [150, 151, 152, 153, 154, 155, 156, 157, 158, 159],
        [150, 151, 152, 153, 154, 155, 156, 157, 158, 159],
        [150, 151, 152, 153, 154, 155, 156, 157, 158, 159],
        [150, 151, 152, 153, 154, 155, 156, 157, 158, 159]])
tensor([[158, 157, 153],
        [152, 150, 151],
        [154, 153, 152],
        [158, 154, 150],
        [150, 156, 151]])

by CyrusMay 2022 06 28

最深刻 的故事 最永恒 的传说
不过 是你 是我 能够 平凡生活
——————五月天（因为你 所以我）——————