深度學習基礎之三分鐘輕松搞明白tensor到底是個啥！看不懂的話我倒立洗頭~~

目錄

1.tensor到底是啥

2.tensor的創建

直接創建

從numpy中獲得資料

內置的tensor創建方式

3、tensor轉換

tensor 轉為numpy

tensor 轉為list

4、張量的運算

加法

減法

乘法

其他的一些運算

總結

再不入坑就晚了,深度神經網路概念大整理，最簡單的神經網路是什么樣子？https://gamwatcher.blog.csdn.net/article/details/120012457https://gamwatcher.blog.csdn.net/article/details/120012457

本科生學深度學習，搭建環境，再不入坑就晚了https://gamwatcher.blog.csdn.net/article/details/119941843https://gamwatcher.blog.csdn.net/article/details/119941843

評論包郵送書了！！！深度學習基礎之numpy，小白輕松入門numpyhttps://gamwatcher.blog.csdn.net/article/details/120073767https://gamwatcher.blog.csdn.net/article/details/120073767

深度學習基礎之matplotlib，一文搞定各個示例，建議收藏以后參考https://gamwatcher.blog.csdn.net/article/details/120159760https://gamwatcher.blog.csdn.net/article/details/120159760

大家好，我是香菜，原創不易，歡迎點贊評論，一起學習

pytorch 和tensorflow 中最重要的概念就是tensor了，tensorflow 這個框架的名字中很直白，就是tensor的流動，所以學習深度學習的第一課就是得搞懂tensor到底是個什么東西了，今天就來學習下，OK，起飛

1.tensor到底是啥

tensor 即“張量”（翻譯的真難理解，破概念），實際上跟numpy陣列、向量、矩陣的格式基本一樣，但是是專門針對GPU來設計的，可以運行在GPU上來加快計算效率，不要被嚇到，

在PyTorch中，張量Tensor是最基礎的運算單位，與NumPy中的NDArray類似，張量表示的是一個多維矩陣，不同的是，PyTorch中的Tensor可以運行在GPU上，而NumPy的NDArray只能運行在CPU上，由于Tensor能在GPU上運行，因此大大加快了運算速度，

一句話總結：一個可以運行在gpu上的多維資料而已

x = torch.zeros(5)

除錯看下這個東西到底在記憶體中是什么，都有哪些屬性，別說話，看圖，

2.tensor的創建

tensor 概念再怎么高級也只是一個資料結構而已，一個類，怎么創建這個物件吶，有下面幾種方式，

• 直接創建

pytorch 提供的創建tensor的方式

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

data - 可以是list, tuple, numpy array, scalar或其他型別

dtype - 可以回傳想要的tensor型別

device - 可以指定回傳的設備

requires_grad - 可以指定是否進行記錄圖的操作，默認為False

快捷方式創建

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

• 從numpy中獲得資料

numpy是開發中常用的庫，所以怎么將numpy中的資料給到tensor中，這個pytorch也提供了介面，很方便

torch.from_numpy(ndarry)

注：生成回傳的tensor會和ndarry共享資料，任何對tensor的操作都會影響到ndarry,反之亦然

內置的tensor創建方式

• torch.empty(size)回傳形狀為size的空tensor

• torch.zeros(size)全部是0的tensor

• torch.zeros_like(input)回傳跟input的tensor一個size的全零tensor

• torch.ones(size)全部是1的tensor

• torch.ones_like(input)回傳跟input的tensor一個size的全一tensor

• torch.arange(start=0, end, step=1)回傳一個從start到end的序列，可以只輸入一個end引數，就跟python的range()一樣了，實際上PyTorch也有range()，但是這個要被廢掉了，替換成arange了

• torch.full(size, fill_value)這個有時候比較方便，把fill_value這個數字變成size形狀的張量

• torch.randn(5) 隨機一個生成一個tensor

3、tensor轉換

tensor資料的轉換在開發中也是常用的，看下常用的兩種轉換方式

tensor 轉為numpy

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

tensor 轉為list

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

4、張量的運算

維度提升

tensor的broadcasting是不同維度之間進行運算的一種手段，和不同的資料型別進行運算時的原則差不多，比如整型和float 進行運算的時候，將資料往精度更高的資料型別進行提升，tensor的維度擴張也是類似，

方法：

遍歷所有的維度，從尾部維度開始，每個對應的維度大小要么相同，要么其中一個是 1，要么其中一個不存在，不存在則擴展當前資料，可以看到下圖紅框部分，就資料進行了擴展

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

驗證下結果，可以看到最后的結果都是1：

總結：和不同資料型別相加時精度提升一個道理，這里是維度的提升

加法

y = t.rand(2, 3)        # 使用[0，1]均勻分布構建矩陣
z = t.ones(2, 3)        # 2x3 的全 1 矩陣

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

減法

a = t.randn(2, 1)
b = t.randn(2, 1)
print(a)
### 等價操作
print(a - b)
print(t.sub(a, b))
print(a)        ### sub 后 a 沒有變化

乘法

矩陣的乘法大學的時候都學過，我們簡單復習下，交叉相乘，理解原理就行，因為多維度的矩陣乘法更復雜，還是pytorch提供了支持

t.mul(input, other, out=None)：矩陣乘以一個數

t.matmul(mat, mat, out=None)：矩陣相乘

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

a=torch.randn(2,3)
b=torch.randn(3,2)
### 等價操作
print(torch.mm(a,b))        # mat x mat
print(torch.matmul(a,b))    # mat x mat
### 等價操作
print(torch.mul(a,3))       # mat 乘以 一個數
print(a * 3)

其他的一些運算

pytorch還支持更多的運算，這些運算就不一一介紹了，在使用的時候測驗一下就知道結果了

t.div(input, other, out=None)#：除法

t.pow(input, other, out=None)#：指數

t.sqrt(input, out=None)#：開方

t.round(input, out=None)#：四舍五入到整數

t.abs(input, out=None)#：絕對值

t.ceil(input, out=None)#：向上取整

t.clamp(input, min, max, out=None)#：把 input 規范在 min 到 max 之間，超出用 min 和 max 代替，可理解為削尖函式

t.argmax(input, dim=None, keepdim=False)#：回傳指定維度最大值的索引

總結

tensor是深度學習的基礎，也是入門的，可以簡單的理解為一個多維的資料結構，并且內置了一些特殊運算，你品，你細品，這似乎沒什么復雜的，常規操作而已，穩住，不慌，我們能贏，看透了本質就沒什么難的了，