PyTorch入门（一）向量

一时失言乱红尘 2022-03-15 01:46 346阅读 0赞

### 什么是PyTorch？ ###

![be64f3e72c2e80d2994140d3721bfe6b.png][]

PyTorch是Facebook人工智能团队开发的一个机器学习和深度学习工具，用于处理大规模图像分析，包括物体检测，分割与分类。但是它的功能不仅限于此。它与其它深度学习框架结合，能够完成复杂的算法。PyTorch用Python和C++编写。  
  PyTorch属于深度学习框架中的重要一员，与TensorFlow, Keras, Theano等其它深度学习框架不同，它是动态计算图模式，其应用模型支持在运行过程中根据运行参数动态改变，而其它框架都是静态计算图模式，其模型在运行之前就已经确定。以下是各个深度学习框架的热度对比:

![d83af09b8fc5a4b0cad9b6f356d9d023.png][]

关于各个深度学习框架的对比，可以参考网址：[Comparison of deep learning software][]  
。  
  PyTorch是使用GPU和CPU优化的深度学习张量库。  
  下面，我们将一起来学习PyTorch中向量（Tensor）的相关操作。

### 安装与运行 ###

PyTorch的安装十分简单，需要用pip安装即可：

pip3 install torch
    pip3 install torchvision

其中torchvision包含了一些torch内置的图片与视频数据集。  
  用以下的Python代码可以输出安装的PyTorch版本信息：

import torch
    print(torch.version.__version__)

在笔者的电脑上，输出的结果如下：

1.0.1.post2

### 向量的基本操作 ###

##### 导入模块 #####

![导入模块][acab9a922cbb93b41fa8de9344bc5b80.png]

##### 检测是否为PyTorch中的向量 #####

is\_tensor()函数可以检测某个序列是否为PyTorch中的向量，is\_storage()可以检测某个序列是否被存储为PyTorch中的向量。

![向量检测][6f40e8bf9ec1f72721fbd86ad14b830f.png]

可以看到，Python中的列表并不是PyTorch中的向量，也不会被存储为PyTorch中的向量。那么，如何创建PyTorch中的向量呢？

##### 创建随机向量 #####

利用randn()函数可以创建随机向量，随机数为0~1的随机浮点数，可以指定创建的向量的维数。

![创建随机向量][004ef24053a89047beadd340dce84897.png]

可以看到，我们创建了1\*2\*3维的向量，用size()函数可以查看向量的维数情况，用numel()函数可以查看向量中的所有元素个数。

##### 创建零向量 #####

利用zeros()函数可以创建零向量，即所有元素均为零的向量，只需指定向量的维数即可。

![创建零向量][89353a5a53c36597bc06f6b3c2a6294f.png]

在上面，我们创建了4\*4的零向量。

##### 创建单位向量 #####

利用eye()函数可以创建单位向量，即主对角元素为1，其余元素均为零的向量，只需指定向量的维数即可。当二维向量的行数与列数不一样时，主对角元素为1，其余为0。

![创建单位向量][dcc8208f920310ee6dd294ee3d246adc.png]

##### 从numpy中创建向量 #####

PyTorch支持直接从numpy中创建向量，这为PyTorch和numpy提供了无缝对接，这也是PyTorch的一个优势。

![从numpy直接创建向量][numpy]

当然，PyTorch也可以将向量转化为numpy中的ndarrays.

![向量转化为numpy.ndarrays][numpy.ndarrays]

##### Tensor函数创建向量 #####

可以利用Tensor()直接创建向量。

![Tensor函数][Tensor]

##### linspace与logspace创建向量 #####

linspace(tart, end, steps=100, out=None)通过指定开始值、终值和元素个数创建表示等差数列的一维数组，可以通过endpoint参数指定是否包含终值，默认值为True，即包含终值。  
  logspace(tart, end, steps=100, out=None)返回一个1维张量，包含在区间10exp(start)和10exp(end)上以对数刻度均匀间隔的 steps个点。

![linspace() & logspace()][linspace_ _ logspace]

##### 创建均匀分布向量 #####

rand()函数可以创建指定维数的满足均匀分布的向量。

![rand()][rand]

##### 随机整数排列向量 #####

randperm(n, out=None) ,给定参数n，返回一个从0 到n -1 的随机整数排列。

![randperm()][randperm]

##### 等差数列向量 #####

arange(start, end, step=1, out=None) , 返回一个1维张量，包含从start到end，以step为步长的一组序列值(默认步长为1)。

![arange()][arange]

##### 寻找最大值、最小组 #####

argmin()和argmax()函数可以寻找向量所在的最小值和最大值的下标，0表示沿着行查找，1表示沿着列查找。

![argmin(), argmax()][argmin_ argmax]

##### 向量拼接 #####

cat()函数在给定维度上对输入的张量序列seq 进行连接操作，默认的维度为0，即按行拼接。

![cat()][cat]

###### 向量分块 ######

chunk(tensor, chunks, dim=0)函数在给定维度(轴)上将输入张量进行分块，默认为0，即按行进行分块。

\[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-UhJKI93l-1611561568147)(https://upload-images.jianshu.io/upload\_images/9419034-cc0a811d0fbd34b7.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)\]

##### gather()函数 #####

gather(input, dim, index, out=None), 沿给定轴dim，将输入索引张量index指定位置的值进行聚合。gather()函数理解起来比较困难，先看例子，再解释：

![gather()][gather]

gather的作用是这样的，index是索引，具体是行还是列的索引要看前面dim ，比如对于我们的例子, \[\[11, 12\], \[23, 24\]\], 指定dim=1，也就是横向，那么索引就是列号。index的大小就是输出的大小，所以比如index是\[\[0,0\], \[1,0\]\]，那么看index第一行，0列指的是11，同理，第二行为1, 0 , 这样就是\[24, 23\]，参考这样的解释看上面的输出结果，即可理解gather的含义。

##### 索引 #####

index\_select(input, dim, index, out=None) ，沿着指定维度对输入进行切片，取index中指定的相应项(index为一个LongTensor)，然后返回到一个新的张量，返回的张量与原始张量\_Tensor\_有相同的维度(在指定轴上)。

![index\_select()][index_select]

##### split()函数 #####

split(tensor, split\_size, dim=0), 将输入张量分割成相等形状的chunks（如果可分）。 如果沿指定维的张量形状大小不能被split\_size整分， 则最后一个分块会小于其它分块。

![split()][split]

###### 向量转置 ######

二维向量的转置可以用t()或transpos(1, 0)实现。

![向量转置][427c6b702e64843423cf6219d684ce1a.png]

##### unbind() #####

unbind(tensor, dim=0), 移除指定维后，返回一个元组，包含了沿着指定维切片后的各个切片，默认维度为1，表示行，1表示列。

![unbind()][unbind]

##### 判断是否为零元素 #####

nonzero()函数可以判断向量中的元素是否为0.

![nonzero()][nonzero]

##### 向量运算 #####

以下将演示几种常见的矩阵运算。

![矩阵运算][544569613707e8a3c1edf4c2ed0fbf9c.png]

矩阵的点乘与矩阵乘法

![矩阵点乘与矩阵乘法][30f52e643ca5106542f80773365ae3d5.png]

### 总结 ###

本文的github地址为：https://github.com/percent4/PyTorch\_Learning/blob/master/pytorch\_tensor\_demo.ipynb 。

注意：不妨了解下笔者的微信公众号： Python爬虫与算法（微信号为：easy\_web\_scrape）， 欢迎大家关注~

[be64f3e72c2e80d2994140d3721bfe6b.png]: /images/20220315/554e9cce39cb4d1c95b1f45859c67312.png
[d83af09b8fc5a4b0cad9b6f356d9d023.png]: /images/20220315/cd4dfdb22c23438ca6ec0f4c77f9f642.png
[Comparison of deep learning software]: https://en.wikipedia.org/wiki/Comparison_of_deep_learning_software
[acab9a922cbb93b41fa8de9344bc5b80.png]: /images/20220315/597a199ce58c4591b8952ee923a75a7d.png
[6f40e8bf9ec1f72721fbd86ad14b830f.png]: /images/20220315/61095c1fbf4c4ee4ad8677ef2d313264.png
[004ef24053a89047beadd340dce84897.png]: /images/20220315/ec3275e24e5643659f4857170d22e760.png
[89353a5a53c36597bc06f6b3c2a6294f.png]: /images/20220315/2759548ab7c7465283404f83c900f4ac.png
[dcc8208f920310ee6dd294ee3d246adc.png]: /images/20220315/699dbe704fed42c095c6a9e8691c6fb9.png
[numpy]: /images/20220315/7ae5b80fff4a45c492aeeb5bf5a8d448.png
[numpy.ndarrays]: /images/20220315/03e61c9ea154490383c1cf8ab4b816ca.png
[Tensor]: /images/20220315/1470b749f7364f52a4f8015aa8130487.png
[linspace_ _ logspace]: /images/20220315/e29bde520c3043b39c1e3f94960372b7.png
[rand]: /images/20220315/c4056474921e423cbea6ec76ae74471b.png
[randperm]: /images/20220315/07bb7126e1d540ff92e23345480dda4c.png
[arange]: /images/20220315/6bf06830f11e407495b1c34a82f50ae5.png
[argmin_ argmax]: /images/20220315/4adc68d347d04dad8f7d29ce07cb32c0.png
[cat]: /images/20220315/85210485613b42e9a680577a8b32ab24.png
[gather]: /images/20220315/a6c79215dd354b7aa161ef7dacd8c6ac.png
[index_select]: /images/20220315/de64873b05f843559bb7ab275f1108da.png
[split]: /images/20220315/1d85c2152adc4840ad84012e39f341a3.png
[427c6b702e64843423cf6219d684ce1a.png]: /images/20220315/97bcafe2cc2d4099b69069c3caeb26fb.png
[unbind]: /images/20220315/e24f7cbcc08e4ae19050c5c01923a331.png
[nonzero]: /images/20220315/96dccf1bffe1478d994729ad961ab523.png
[544569613707e8a3c1edf4c2ed0fbf9c.png]: /images/20220315/e97296121ea147a7bccd4d9127dc3b5b.png
[30f52e643ca5106542f80773365ae3d5.png]: /images/20220315/dffd37aede254e73b0a55d65cb334d2d.png