什么是PyTorch？

译者：bat67

校对者：FontTian

作者： Soumith Chintala

PyTorch是一个基于python的科学计算包，主要针对两类人群：

  • 作为NumPy的替代品，可以利用GPU的性能进行计算
  • 作为一个高灵活性、速度快的深度学习平台

入门

张量

Tensor(张量）类似于NumPy的ndarray，但还可以在GPU上使用来加速计算。

  1. from __future__ import print_function
  2. import torch

创建一个没有初始化的5*3矩阵：

  1. x = torch.empty(5, 3)
  2. print(x)

输出：

  1. tensor([[2.2391e-19, 4.5869e-41, 1.4191e-17],
  2.         [4.5869e-41, 0.0000e+00, 0.0000e+00],
  3.         [0.0000e+00, 0.0000e+00, 0.0000e+00],
  4.         [0.0000e+00, 0.0000e+00, 0.0000e+00],
  5.         [0.0000e+00, 0.0000e+00, 0.0000e+00]])

创建一个随机初始化矩阵：

  1. x = torch.rand(5, 3)
  2. print(x)

输出：

  1. tensor([[0.5307, 0.9752, 0.5376],
  2.         [0.2789, 0.7219, 0.1254],
  3.         [0.6700, 0.6100, 0.3484],
  4.         [0.0922, 0.0779, 0.2446],
  5.         [0.2967, 0.9481, 0.1311]])

构造一个填满0且数据类型为long的矩阵:

  1. x = torch.zeros(5, 3, dtype=torch.long)
  2. print(x)

输出：

  1. tensor([[0, 0, 0],
  2.         [0, 0, 0],
  3.         [0, 0, 0],
  4.         [0, 0, 0],
  5.         [0, 0, 0]])

直接从数据构造张量：

  1. x = torch.tensor([5.5, 3])
  2. print(x)

输出：

  1. tensor([5.5000, 3.0000])

或者根据已有的tensor建立新的tensor。除非用户提供新的值，否则这些方法将重用输入张量的属性，例如dtype等：

  1. x = x.new_ones(5, 3, dtype=torch.double)      # new_* methods take in sizes
  2. print(x)
  4. x = torch.randn_like(x, dtype=torch.float)    # 重载 dtype!
  5. print(x)                                      # 结果size一致

输出：

  1. tensor([[1., 1., 1.],
  2.         [1., 1., 1.],
  3.         [1., 1., 1.],
  4.         [1., 1., 1.],
  5.         [1., 1., 1.]], dtype=torch.float64)
  6. tensor([[ 1.6040, -0.6769,  0.0555],
  7.         [ 0.6273,  0.7683, -0.2838],
  8.         [-0.7159, -0.5566, -0.2020],
  9.         [ 0.6266,  0.3566,  1.4497],
  10.         [-0.8092, -0.6741,  0.0406]])

获取张量的形状：

  1. print(x.size())

输出：

  1. torch.Size([5, 3])

注意：

torch.Size本质上还是tuple，所以支持tuple的一切操作。

运算

一种运算有多种语法。在下面的示例中，我们将研究加法运算。

加法：形式一

  1. y = torch.rand(5, 3)
  2. print(x + y)

输出：

  1. tensor([[ 2.5541,  0.0943,  0.9835],
  2.         [ 1.4911,  1.3117,  0.5220],
  3.         [-0.0078, -0.1161,  0.6687],
  4.         [ 0.8176,  1.1179,  1.9194],
  5.         [-0.3251, -0.2236,  0.7653]])

加法：形式二

  1. print(torch.add(x, y))

输出：

  1. tensor([[ 2.5541,  0.0943,  0.9835],
  2.         [ 1.4911,  1.3117,  0.5220],
  3.         [-0.0078, -0.1161,  0.6687],
  4.         [ 0.8176,  1.1179,  1.9194],
  5.         [-0.3251, -0.2236,  0.7653]])

加法：给定一个输出张量作为参数

  1. result = torch.empty(5, 3)
  2. torch.add(x, y, out=result)
  3. print(result)

输出：

  1. tensor([[ 2.5541,  0.0943,  0.9835],
  2.         [ 1.4911,  1.3117,  0.5220],
  3.         [-0.0078, -0.1161,  0.6687],
  4.         [ 0.8176,  1.1179,  1.9194],
  5.         [-0.3251, -0.2236,  0.7653]])

加法：原位/原地操作(in-place）

  1. # adds x to y
  2. y.add_(x)
  3. print(y)

输出：

  1. tensor([[ 2.5541,  0.0943,  0.9835],
  2.         [ 1.4911,  1.3117,  0.5220],
  3.         [-0.0078, -0.1161,  0.6687],
  4.         [ 0.8176,  1.1179,  1.9194],
  5.         [-0.3251, -0.2236,  0.7653]])

注意：

任何一个in-place改变张量的操作后面都固定一个_。例如x.copy_(y)、x.t_()将更改x

也可以使用像标准的NumPy一样的各种索引操作：

  1. print(x[:, 1])

输出：

  1. tensor([-0.6769,  0.7683, -0.5566,  0.3566, -0.6741])

改变形状：如果想改变形状，可以使用torch.view

  1. x = torch.randn(4, 4)
  2. y = x.view(16)
  3. z = x.view(-1, 8)  # the size -1 is inferred from other dimensions
  4. print(x.size(), y.size(), z.size())

输出：

  1. torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])

如果是仅包含一个元素的tensor，可以使用.item()来得到对应的python数值

  1. x = torch.randn(1)
  2. print(x)
  3. print(x.item())

输出：

  1. tensor([0.0445])
  2. 0.0445479191839695

后续阅读：

超过100种tensor的运算操作，包括转置，索引，切片，数学运算，线性代数，随机数等，具体访问这里

桥接 NumPy

将一个Torch张量转换为一个NumPy数组是轻而易举的事情，反之亦然。

Torch张量和NumPy数组将共享它们的底层内存位置，因此当一个改变时,另外也会改变。

将torch的Tensor转化为NumPy数组

输入：

  1. a = torch.ones(5)
  2. print(a)

输出：

  1. tensor([1., 1., 1., 1., 1.])

输入：

  1. b = a.numpy()
  2. print(b)

输出：

  1. [1. 1. 1. 1. 1.]

看NumPy数组是如何改变里面的值的：

  1. a.add_(1)
  2. print(a)
  3. print(b)

输出：

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

将NumPy数组转化为Torch张量

看改变NumPy数组是如何自动改变Torch张量的：

  1. import numpy as np
  2. a = np.ones(5)
  3. b = torch.from_numpy(a)
  4. np.add(a, 1, out=a)
  5. print(a)
  6. print(b)

输出：

  1. [2. 2. 2. 2. 2.]
  2. tensor([2., 2., 2., 2., 2.], dtype=torch.float64)

CPU上的所有张量(CharTensor除外)都支持与Numpy的相互转换。

CUDA上的张量

张量可以使用.to方法移动到任何设备(device）上：

  1. # 当GPU可用时,我们可以运行以下代码
  2. # 我们将使用`torch.device`来将tensor移入和移出GPU
  3. if torch.cuda.is_available():
  4.     device = torch.device("cuda")          # a CUDA device object
  5.     y = torch.ones_like(x, device=device)  # 直接在GPU上创建tensor
  6.     x = x.to(device)                       # 或者使用`.to("cuda")`方法
  7.     z = x + y
  8.     print(z)
  9.     print(z.to("cpu", torch.double))       # `.to`也能在移动时改变dtype

输出：

  1. tensor([1.0445], device='cuda:0')
  2. tensor([1.0445], dtype=torch.float64)