深度学习基础之三分钟轻松搞明白tensor到底是个啥

pytorch 和tensorflow 中最重要的概念就是tensor了，tensorflow 这个框架的名字中很直白，就是tensor的流动，所以学习深度学习的第一课就是得搞懂tensor到底是个什么东西了，今天就来学习下，OK，起飞

1.tensor到底是啥

tensor 即“张量”（翻译的真难理解，破概念）。实际上跟numpy数组、向量、矩阵的格式基本一样。但是是专门针对GPU来设计的，可以运行在GPU上来加快计算效率，不要被吓到。

在PyTorch中，张量Tensor是最基础的运算单位，与NumPy中的NDArray类似，张量表示的是一个多维矩阵。不同的是，PyTorch中的Tensor可以运行在GPU上，而NumPy的NDArray只能运行在CPU上。由于Tensor能在GPU上运行，因此大大加快了运算速度。

一句话总结：一个可以运行在gpu上的多维数据而已

代码语言：javascript复制

 x = torch.zeros(5)

调试看下这个东西到底在内存中是什么，都有哪些属性，别说话，看图。

2.tensor的创建

tensor 概念再怎么高级也只是一个数据结构而已，一个类，怎么创建这个对象呐，有下面几种方式。

直接创建

pytorch 提供的创建tensor的方式

代码语言：javascript复制

torch.tensor(data, dtype=None, device=None,requires_grad=False)

data - 可以是list, tuple, numpy array, scalar或其他类型

dtype - 可以返回想要的tensor类型

device - 可以指定返回的设备

requires_grad - 可以指定是否进行记录图的操作，默认为False

快捷方式创建

代码语言：javascript复制

t1 = torch.FloatTensor([[1,2],[5,6]])

从numpy中获得数据

numpy是开发中常用的库，所以怎么将numpy中的数据给到tensor中，这个pytorch也提供了接口，很方便

代码语言：javascript复制

torch.from_numpy(ndarry)

注：生成返回的tensor会和ndarry共享数据，任何对tensor的操作都会影响到ndarry,反之亦然

内置的tensor创建方式

torch.empty(size)返回形状为size的空tensor
torch.zeros(size)全部是0的tensor
torch.zeros_like(input)返回跟input的tensor一个size的全零tensor
torch.ones(size)全部是1的tensor
torch.ones_like(input)返回跟input的tensor一个size的全一tensor
torch.arange(start=0, end, step=1)返回一个从start到end的序列，可以只输入一个end参数，就跟python的range()一样了。实际上PyTorch也有range()，但是这个要被废掉了，替换成arange了
torch.full(size, fill_value)这个有时候比较方便，把fill_value这个数字变成size形状的张量
torch.randn(5) 随机一个生成一个tensor

3、tensor转换

tensor数据的转换在开发中也是常用的，看下常用的两种转换方式

tensor 转为numpy

代码语言：javascript复制

a = torch.ones(5)
print(a)
b = a.numpy()
print(b)

tensor 转为list

代码语言：javascript复制

data = torch.zeros(3, 3)
data = data.tolist()
print(data)

4、张量的运算

维度提升

tensor的broadcasting是不同维度之间进行运算的一种手段，和不同的数据类型进行运算时的原则差不多，比如整型和float 进行运算的时候，将数据往精度更高的数据类型进行提升，tensor的维度扩张也是类似。

方法：

遍历所有的维度，从尾部维度开始，每个对应的维度大小要么相同，要么其中一个是 1，要么其中一个不存在。不存在则扩展当前数据，可以看到下图红框部分，就数据进行了扩展

代码语言：javascript复制

    a = torch.zeros(2, 3)
    b = torch.ones(3)
    print(a)
    print(b)
    print(a   b)

验证下结果，可以看到最后的结果都是1：

总结：和不同数据类型相加时精度提升一个道理，这里是维度的提升

加法

代码语言：javascript复制

y = t.rand(2, 3)        # 使用[0，1]均匀分布构建矩阵
z = t.ones(2, 3)        # 2x3 的全 1 矩阵

# 3 中加法操作等价
print(y   z)            ### 加法1
t.add(y, z)             ### 加法2

减法

代码语言：javascript复制

a = t.randn(2, 1)
b = t.randn(2, 1)
print(a)
### 等价操作
print(a - b)
print(t.sub(a, b))
print(a)        ### sub 后 a 没有变化

乘法

矩阵的乘法大学的时候都学过，我们简单复习下，交叉相乘，理解原理就行，因为多维度的矩阵乘法更复杂，还是pytorch提供了支持

t.mul(input, other, out=None)：矩阵乘以一个数

t.matmul(mat, mat, out=None)：矩阵相乘

t.mm(mat, mat, out=None)：基本上等同于 matmul

代码语言：javascript复制

a=torch.randn(2,3)
b=torch.randn(3,2)
### 等价操作
print(torch.mm(a,b))        # mat x mat
print(torch.matmul(a,b))    # mat x mat
### 等价操作
print(torch.mul(a,3))       # mat 乘以 一个数
print(a * 3)