張量

創建於：2017 年 3 月 24 日 | 最後更新：2024 年 1 月 16 日 | 最後驗證：2024 年 11 月 5 日

張量是一種特殊的資料結構，與陣列和矩陣非常相似。在 PyTorch 中，我們使用張量來編碼模型的輸入和輸出，以及模型的引數。

張量與 NumPy 的 ndarrays 類似，不同之處在於張量可以在 GPU 或其他專用硬體上執行以加速計算。如果你熟悉 ndarrays，那麼使用 Tensor API 會感到非常自在。如果不熟悉，請跟隨這個快速的 API 導覽。

import torch
import numpy as np

張量初始化

張量可以透過多種方式初始化。請看下面的示例：

直接從資料建立

可以直接從資料建立張量。資料型別會自動推斷。

data = [[1, 2], [3, 4]]
x_data = torch.tensor(data)

從 NumPy 陣列建立

可以從 NumPy 陣列建立張量（反之亦然 - 請參見與 NumPy 的橋接）。

np_array = np.array(data)
x_np = torch.from_numpy(np_array)

從另一個張量建立

新的張量保留了引數張量的屬性（形狀、資料型別），除非被顯式覆蓋。

x_ones = torch.ones_like(x_data) # retains the properties of x_data
print(f"Ones Tensor: \n {x_ones} \n")

x_rand = torch.rand_like(x_data, dtype=torch.float) # overrides the datatype of x_data
print(f"Random Tensor: \n {x_rand} \n")

Ones Tensor:
 tensor([[1, 1],
        [1, 1]])

Random Tensor:
 tensor([[0.8823, 0.9150],
        [0.3829, 0.9593]])

使用隨機值或常數值

shape 是一個張量維度組成的元組。在下面的函式中，它決定了輸出張量的維度。

shape = (2, 3,)
rand_tensor = torch.rand(shape)
ones_tensor = torch.ones(shape)
zeros_tensor = torch.zeros(shape)

print(f"Random Tensor: \n {rand_tensor} \n")
print(f"Ones Tensor: \n {ones_tensor} \n")
print(f"Zeros Tensor: \n {zeros_tensor}")

Random Tensor:
 tensor([[0.3904, 0.6009, 0.2566],
        [0.7936, 0.9408, 0.1332]])

Ones Tensor:
 tensor([[1., 1., 1.],
        [1., 1., 1.]])

Zeros Tensor:
 tensor([[0., 0., 0.],
        [0., 0., 0.]])

---

張量屬性

張量屬性描述了它們的形狀、資料型別以及它們儲存在哪個裝置上。

tensor = torch.rand(3, 4)

print(f"Shape of tensor: {tensor.shape}")
print(f"Datatype of tensor: {tensor.dtype}")
print(f"Device tensor is stored on: {tensor.device}")

Shape of tensor: torch.Size([3, 4])
Datatype of tensor: torch.float32
Device tensor is stored on: cpu

---

張量操作

超過 100 種張量操作，包括轉置、索引、切片、數學運算、線性代數、隨機取樣等，都在此處有全面的描述。

它們中的每一個都可以在 GPU 上執行（通常比在 CPU 速度更快）。如果你正在使用 Colab，請透過“編輯 > 筆記本設定”分配一個 GPU。

# We move our tensor to the GPU if available
if torch.cuda.is_available():
  tensor = tensor.to('cuda')
  print(f"Device tensor is stored on: {tensor.device}")

Device tensor is stored on: cuda:0

嘗試列表中的一些操作。如果你熟悉 NumPy API，你會發現 Tensor API 使用起來輕而易舉。

標準的類 NumPy 索引和切片

tensor = torch.ones(4, 4)
tensor[:,1] = 0
print(tensor)

tensor([[1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.]])

連線張量 你可以使用 torch.cat 沿著給定維度連線一系列張量。另請參閱 torch.stack，這是另一個與 torch.cat 略有不同的張量連線操作。

t1 = torch.cat([tensor, tensor, tensor], dim=1)
print(t1)

tensor([[1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
        [1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
        [1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.],
        [1., 0., 1., 1., 1., 0., 1., 1., 1., 0., 1., 1.]])

張量乘法

# This computes the element-wise product
print(f"tensor.mul(tensor) \n {tensor.mul(tensor)} \n")
# Alternative syntax:
print(f"tensor * tensor \n {tensor * tensor}")

tensor.mul(tensor)
 tensor([[1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.]])

tensor * tensor
 tensor([[1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.]])

這計算了兩個張量之間的矩陣乘法

print(f"tensor.matmul(tensor.T) \n {tensor.matmul(tensor.T)} \n")
# Alternative syntax:
print(f"tensor @ tensor.T \n {tensor @ tensor.T}")

tensor.matmul(tensor.T)
 tensor([[3., 3., 3., 3.],
        [3., 3., 3., 3.],
        [3., 3., 3., 3.],
        [3., 3., 3., 3.]])

tensor @ tensor.T
 tensor([[3., 3., 3., 3.],
        [3., 3., 3., 3.],
        [3., 3., 3., 3.],
        [3., 3., 3., 3.]])

原地操作 (In-place operations) 帶有 _ 字尾的操作是原地操作。例如：x.copy_(y), x.t_() 會改變 x。

print(tensor, "\n")
tensor.add_(5)
print(tensor)

tensor([[1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.],
        [1., 0., 1., 1.]])

tensor([[6., 5., 6., 6.],
        [6., 5., 6., 6.],
        [6., 5., 6., 6.],
        [6., 5., 6., 6.]])

注意

原地操作可以節省一些記憶體，但在計算導數時可能會有問題，因為會立即丟失歷史記錄。因此，不鼓勵使用它們。

---

與 NumPy 的橋接

在 CPU 上的張量和 NumPy 陣列可以共享底層記憶體位置，改變其中一個會改變另一個。

張量轉 NumPy 陣列

t = torch.ones(5)
print(f"t: {t}")
n = t.numpy()
print(f"n: {n}")

t: tensor([1., 1., 1., 1., 1.])
n: [1. 1. 1. 1. 1.]

張量中的改變會反映在 NumPy 陣列中。

t.add_(1)
print(f"t: {t}")
print(f"n: {n}")

t: tensor([2., 2., 2., 2., 2.])
n: [2. 2. 2. 2. 2.]

NumPy 陣列轉張量

n = np.ones(5)
t = torch.from_numpy(n)

NumPy 陣列中的改變會反映在張量中。

np.add(n, 1, out=n)
print(f"t: {t}")
print(f"n: {n}")

t: tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
n: [2. 2. 2. 2. 2.]