当前位置： 移动技术网 > IT编程>脚本编程>Python > PyTorch基本数据类型（一）

PyTorch基本数据类型（一）

2019年06月02日  | 移动技术网IT编程  | 我要评论

传说头目翔,斩匪电视剧全集,翟鸿燊视频讲座全集

pytorch基础入门一：pytorch基本数据类型

1）tensor(张量)

pytorch里面处理的最基本的操作对象就是tensor（张量），它表示的其实就是一个多维矩阵，并有矩阵相关的运算操作。在使用上和numpy是对应的，它和numpy唯一的不同就是，pytorch可以在gpu上运行，而numpy不可以。所以，我们也可以使用tensor来代替numpy的使用。当然，二者也可以相互转换。

tensor的基本数据类型有五种：

  • 32位浮点型：torch.floattensor。pyorch.tensor()默认的就是这种类型。
  • 64位整型：torch.longtensor。
  • 32位整型：torch.inttensor。
  • 16位整型：torch.shorttensor。
  • 64位浮点型：torch.doubletensor。

那么如何定义tensor张量呢？其实定义的方式和numpy一样，直接传入相应的矩阵即可即可。下面就定义了一个三行两列的矩阵：

import torch
# 导包
 
a = torch.tensor([[1, 2], [3, 4], [5, 6]])
print(a)

不过在项目之中，更多的做法是以特殊值或者随机值初始化一个矩阵，就像下面这样：

import torch
 
# 定义一个3行2列的全为0的矩阵
b = torch.zeros((3, 2))
 
# 定义一个3行2列的随机值矩阵
c = torch.randn((3, 2))
 
# 定义一个3行2列全为1的矩阵
d = torch.ones((3, 2))
 
print(b)
print(c)
print(d)

tensor和numpy.ndarray之间还可以相互转换，其方式如下：

  • numpy转化为tensor：torch.from_numpy(numpy矩阵)
  • tensor转化为numpy：tensor矩阵.numpy()

范例如下：

import torch
import numpy as np
 
# 定义一个3行2列的全为0的矩阵
b = torch.randn((3, 2))
 
# tensor转化为numpy
numpy_b = b.numpy()
print(numpy_b)
 
# numpy转化为tensor
numpy_e = np.array([[1, 2], [3, 4], [5, 6]])
torch_e = torch.from_numpy(numpy_e)
 
print(numpy_e)
print(torch_e)

之前说过，numpy与tensor最大的区别就是在对gpu的支持上。tensor只需要调用cuda()函数就可以将其转化为能在gpu上运行的类型。

我们可以通过torch.cuda.is_available()函数来判断当前的环境是否支持gpu，如果支持，则返回true。所以，为保险起见，在项目代码中一般采取“先判断，后使用”的策略来保证代码的正常运行，其基本结构如下：

import torch
 
# 定义一个3行2列的全为0的矩阵
tmp = torch.randn((3, 2))
 
# 如果支持gpu，则定义为gpu类型
if torch.cuda.is_available():
  inputs = tmp.cuda()
# 否则，定义为一般的tensor类型
else:
  inputs = tmp

2）variable(变量)

pytorch里面的variable类型数据功能更加强大，相当于是在tensor外层套了一个壳子，这个壳子赋予了前向传播，反向传播，自动求导等功能，在计算图的构建中起的很重要的作用。variable的结构图如下：

其中最重要的两个属性是：data和grad。data表示该变量保存的实际数据，通过该属性可以访问到它所保存的原始张量类型，而关于该 variable（变量）的梯度会被累计到.grad 上去。

在使用variable的时候需要从torch.autograd中导入。下面通过一个例子来看一下它自动求导的过程：

import torch
from torch.autograd import variable
 
# 定义三个variable变量
x = variable(torch.tensor([1, 2, 3]), requires_grad=true)
w = variable(torch.tensor([2, 3, 4]), requires_grad=true)
b = variable(torch.tensor([3, 4, 5]), requires_grad=true)
 
# 构建计算图，公式为：y = w * x^2 + b
y = w * x * x + b
 
# 自动求导，计算梯度
y.backward(torch.tensor([1, 1, 1]))
 
print(x.grad)
print(w.grad)
print(b.grad)

上述代码的计算图为y = w * x^2 + b。对x, w, b分别求偏导为：x.grad = 2wx，w.grad=x^2，b.grad=1。代值检验可得计算结果是正确的。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持移动技术网。

您可能感兴趣的文章:

如对本文有疑问，请在下面进行留言讨论，广大热心网友会与你互动！！ 点击进行留言回复

相关文章:

验证码：
最近更新的文章
大家感兴趣的文章
移动技术网