PyTorch 中 12 種張量操作詳解
作者：小白PythonAI編程
本文將詳細介紹 PyTorch 中常用的 12 種張量操作，幫助你更好地理解和使用這個工具。
PyTorch 是一個強大的深度學習框架，它允許開發者輕松地定義和訓練神經網絡。張量是 PyTorch 的核心數據結構，類似于 NumPy 數組，但支持自動微分以及在 GPU 上加速計算。本文將詳細介紹 PyTorch 中常用的 12 種張量操作，幫助你更好地理解和使用這個工具。
1.創建張量
首先，我們需要安裝 PyTorch 并導入必要的庫。
# 安裝 PyTorch
!pip install torch
# 導入 PyTorch 庫
import torch創建張量是最基本的操作之一。你可以從 Python 列表或 NumPy 數組中創建張量。
# 從列表創建張量
tensor_from_list = torch.tensor([1, 2, 3])
print(tensor_from_list) # 輸出: tensor([1, 2, 3])
# 從 NumPy 數組創建張量
import numpy as np
numpy_array = np.array([1, 2, 3])
tensor_from_numpy = torch.from_numpy(numpy_array)
print(tensor_from_numpy) # 輸出: tensor([1, 2, 3])2.查看張量形狀
了解張量的形狀對于處理數據非常重要。
# 創建一個 2x3 的矩陣
matrix = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(matrix.shape) # 輸出: torch.Size([2, 3])3.轉置張量
轉置可以改變張量的維度順序。
# 創建一個 2x3 的矩陣
matrix = torch.tensor([[1, 2, 3], [4, 5, 6]])
transposed_matrix = matrix.t()
print(transposed_matrix) # 輸出:
# tensor([[1, 4],
# [2, 5],
# [3, 6]])4.拆分張量
拆分張量可以幫助你在不同維度上分割數據。
# 創建一個 3x4 的矩陣
matrix = torch.tensor([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
split_tensors = torch.split(matrix, split_size=2, dim=1)
for t in split_tensors:
print(t)
# 輸出:
# tensor([[ 1, 2],
# [ 5, 6],
# [ 9, 10]])
# tensor([[ 3, 4],
# [ 7, 8],
# [11, 12]])5.拼接張量
拼接操作可以將多個張量合并成一個更大的張量。
# 創建兩個 2x2 的矩陣
matrix1 = torch.tensor([[1, 2], [3, 4]])
matrix2 = torch.tensor([[5, 6], [7, 8]])
concatenated_tensor = torch.cat((matrix1, matrix2), dim=0)
print(concatenated_tensor) # 輸出:
# tensor([[1, 2],
# [3, 4],
# [5, 6],
# [7, 8]])6.張量索引
索引操作允許你選擇張量中的特定元素或子集。
# 創建一個 2x3 的矩陣
matrix = torch.tensor([[1, 2, 3], [4, 5, 6]])
element = matrix[0, 1]
print(element) # 輸出: tensor(2)
sub_matrix = matrix[1, :]
print(sub_matrix) # 輸出: tensor([4, 5, 6])7.張量切片
切片可以讓你選擇張量的一部分。
# 創建一個 2x3 的矩陣
matrix = torch.tensor([[1, 2, 3], [4, 5, 6]])
slice_tensor = matrix[:, 1:]
print(slice_tensor) # 輸出:
# tensor([[2, 3],
# [5, 6]])8.張量廣播
廣播是一種機制，允許你執行不同形狀的張量之間的操作。
# 創建一個 1x3 的向量和一個標量
vector = torch.tensor([1, 2, 3])
scalar = torch.tensor(2)
# 將向量乘以標量
broadcasted_tensor = vector * scalar
print(broadcasted_tensor) # 輸出: tensor([2, 4, 6])9.張量相加
相加操作用于將兩個張量對應位置的元素相加。
# 創建兩個 2x2 的矩陣
matrix1 = torch.tensor([[1, 2], [3, 4]])
matrix2 = torch.tensor([[5, 6], [7, 8]])
# 相加
sum_tensor = matrix1 + matrix2
print(sum_tensor) # 輸出:
# tensor([[ 6, 8],
# [10, 12]])10.張量乘法
乘法操作可以用于點積或矩陣乘法。
# 創建兩個 2x2 的矩陣
matrix1 = torch.tensor([[1, 2], [3, 4]])
matrix2 = torch.tensor([[5, 6], [7, 8]])
# 點積
dot_product = torch.dot(matrix1.view(-1), matrix2.view(-1))
print(dot_product) # 輸出: tensor(70)
# 矩陣乘法
matrix_product = torch.matmul(matrix1, matrix2)
print(matrix_product) # 輸出:
# tensor([[19, 22],
# [43, 50]])11.張量歸一化
歸一化可以將張量的值調整到特定范圍內。
# 創建一個 1x3 的向量
vector = torch.tensor([1, 2, 3])
# 歸一化
normalized_vector = torch.nn.functional.normalize(vector, p=2, dim=0)
print(normalized_vector) # 輸出: tensor([0.2673, 0.5345, 0.8018])12.張量隨機初始化
隨機初始化在神經網絡訓練中非常重要。
# 隨機初始化一個 2x3 的矩陣
random_matrix = torch.randn(2, 3)
print(random_matrix) # 輸出類似:
# tensor([[ 1.0431, -0.1827, -0.2591],
# [-0.2442, -0.3353, 0.4927]])總結
本文詳細介紹了 PyTorch 中常用的 12 種張量操作，包括創建張量、查看張量形狀、轉置張量、拆分張量、拼接張量、張量索引、張量切片、張量廣播、張量相加、張量乘法、張量歸一化和張量隨機初始化。這些操作是使用 PyTorch 進行深度學習的基礎，掌握它們將有助于你更高效地開發和訓練神經網絡模型。
責任編輯：趙寧寧
來源：
小白PythonAI編程
