Pytorch常用函数学习摘录

一、Tensor 与 Numpy 数组的互相转换

从Numpy 生成Tensor

data1 = np.array([0,1,2,3])

data2 = torch.from_numpy(my_data1)

从tensor 到 Numpy

data3 = torch.zeros(2,2)

data4 = data3.numpy()

注： 使用上述函数产生的tensor 和NumPy 数组共享内存，对其中的一个更改也会使另外一个随着改变，如需要不共享内存，则可以分别按照如下方式：

从Numpy 生成Tensor且不共享内存：

data1 = np.array([0,1,2,3])

data2 = torch.from_numpy(my_data1)

data2_non_shared = data2.clone()

从tensor 到 Numpy 且不共享内存：

data3 = torch.zeros(2,2)

data4 = data3.detach()

data5 = data4.numpy()

二、用于创建张量的常用操作

from_numpy 将Numpy数组转换为张量

zeros/ones 创建元素值全为0/1的张量

eye 创建对角元素为1，其余元素为0

cat/concat 连接多个张量

split 切分张量

stack 沿新维度连接多个张量

take 从输入张量中取出指定元素组成新张量

normal 返回由章台分布随机数组成的张量

rand 返回[0,1)区间均匀分布随机数组成的张量

randn 返回由标准正太分布随机数组成的张量

import torch# 示例张量
x = torch.tensor([[1, 2], [3, 4]])
y = torch.tensor([[5, 6], [7, 8]])# 沿 dim=0（行方向）拼接
cat_dim0 = torch.cat((x, y), dim=0)  # shape: [4, 2]
print(cat_dim0)
# tensor([[1, 2],
#         [3, 4],
#         [5, 6],
#         [7, 8]])# 沿 dim=1（列方向）拼接
cat_dim1 = torch.cat((x, y), dim=1)  # shape: [2, 4]
print(cat_dim1)
# tensor([[1, 2, 5, 6],
#         [3, 4, 7, 8]])

# 示例张量
tensor = torch.arange(10).reshape(2, 5)  # shape: [2, 5]
print(tensor)
# tensor([[0, 1, 2, 3, 4],
#         [5, 6, 7, 8, 9]])# 按 chunk_size 拆分
split_chunks = torch.split(tensor, 2, dim=1)  # 每块 2 列
print(split_chunks)
# (tensor([[0, 1], [5, 6]]), tensor([[2, 3], [7, 8]]), tensor([[4], [9]]))
# 按 chunk_size 拆分 dim = 0 ,按行拆分tensor1 = torch.arange(30).reshape(6, 5)  # shape: [2, 5]
split_chunks = torch.split(tensor1, 2, dim=0) # 每块 2行
# (tensor([[0, 1, 2, 3, 4],[5, 6, 7, 8, 9]]),tensor([[10, 11, 12, 13, 14],[15, 16, 17, 18, 19]]),tensor([[20, 21, 22, 23, 24],[25, 26, 27, 28, 29]]))# 按 split_size 列表拆分
split_sizes = [3, 2]
split_result = torch.split(tensor, split_sizes, dim=1)  # 拆分 3 列 + 2 列
print(split_result)
# (tensor([[0, 1, 2], [5, 6, 7]]), tensor([[3, 4], [8, 9]]))

# 示例张量
x = torch.tensor([1, 2])
y = torch.tensor([3, 4])# 沿新维度堆叠
stacked = torch.stack((x, y), dim=0)  # shape: [2, 2] 按行堆叠
print(stacked)
# tensor([[1, 2],
#         [3, 4]])stacked_dim1 = torch.stack((x, y), dim=1)  # shape: [2, 2] 按列堆叠
print(stacked_dim1)
# tensor([[1, 3],
#         [2, 4]])# 示例张量
tensor = torch.tensor([[1, 2], [3, 4]])# 按索引提取（摆直再取值）
indices = torch.tensor([0, 3])
taken = torch.take(tensor, indices)  # 取第0和第3个元素（展平后），提取元素后组成张量;
print(taken)  # tensor([1, 4])# 指定正态分布的均值和标准差
mean = torch.tensor([0.0, 1.0]) 
std = torch.tensor([1.0, 0.5])
normal_samples = torch.normal(mean, std)  # 生成与 mean 形状相同的随机数
print(normal_samples)  # 例如 tensor([-0.1234, 1.4567])# 从单一均值和标准差生成
normal_single = torch.normal(mean=0.0, std=1.0, size=(2, 2)) # 指定形状
print(normal_single)
# tensor([[ 0.1234, -0.5678],
#         [ 1.2345, -0.9876]])# 生成 2x3 的随机矩阵
uniform_random = torch.rand(2, 3)
print(uniform_random)
# tensor([[0.1234, 0.5678, 0.9012],
#         [0.3456, 0.7890, 0.2345]])# 生成 2x3 的标准正态分布随机数
normal_random = torch.randn(2, 3)
print(normal_random)
# tensor([[ 0.1234, -1.5678,  0.9012],
#         [-0.3456,  0.7890, -1.2345]])

三、张量的常用属性

    dtype tensor 存储的数据类型 ,常用的数据类型有：

torch.float16/torch.half 16位浮点 torch.float32/torch.float 32位浮点 torch.float64/torch.double 64位浮点

torch.uint8 8 位无符号整型

torch.int8 8位整型

torch.int16/torch.short

torch.int32/torch.int

torch.int64/torch.long

torch.bool

torch.bfloat16 # PyTorch 提供的一种 16 位浮点数数据类型，全称为 Brain Floating Point 16

位数分配 由1 位符号位 + 8 位指数位 + 7 位尾数位（与标准的 float32 指数位相同，但尾数位更少）具有动态范围大，能覆盖与 float32 相近的数值范围（约 ±3.4e38），尾数位较少导致精度下降（约 2^-7 ≈ 0.0078 的最小间隔），但对许多深度学习任务影响有限，因为神经网络通常对数值精度不敏感。

四、数据位宽与算法精度的关系

    由于深度学习多层神经网络特性深度学习不需要全部的高精度，例如t-SNE可视化MNIST手写数据集，各个数字在两成分的展示图上间距较大，因此可以用低位宽的非精确类型进行训练。

    在同一种类型的深度学习模型中，例如AlexNet,不同层的数据都有其保持网络收敛的最低位宽需求，即为了使某层的数据正常收敛而需要的匹配这层收敛域的最低位宽。

    如图 fc2 在 int8、int12 上训练迭代后期收敛效果不明显，而在int16上收敛较好，因此int16 是这层的收敛最低位宽。

      在数据分布角度看，在完整的迭代训练期内，每层梯度的数值分布特性决定了这层的梯度值的收敛域，因此相应的最低位宽不同。紫色部分的分布曲线，显示fc2梯度值分布在0值附近密集，因此梯度值在收敛时梯度值较小，且波动小，因而收敛域更窄，需更高的数值位宽。（如果只用低位宽则低位宽上相应的数值还没有够到收敛的数位，因而波动更大，收敛不明显。）

五、张量的device属性 和属性转换

torch.device指定tensor所在的设备，设备序号。

用’cuda:n’表示第n个GPU设备，用‘dlp:n’表示第n个深度学习处理器。

#在GPU上创建一个张量
my_data1 = torch.tensor([0,1,2,3],device=torch.device(‘cuda:1’))
my_data2 = torch.tensor([0,1,2,3],device=torch.device(‘cuda’,1))
my_data3 = torch.tensor([0,1,2,3],device=‘cuda:1’)
#设置默认的device类型
my_device = ‘cuda’ if torch.cuda.is_available() else ‘cpu’
my_data4 = torch.tensor([0,1,2,3],device=my_device)

tensor.to():进行张量的数据类型或设备类型转换：

#张量设备类型转换
my_data1 = torch.tensor([0,1,2,3])
my_data1 = my_data1.to(‘cuda’)
#张量数据类型转换
my_data1 = my_data1.to(torch.double)

将GPU上的张量转换成NumPy数组，需要先将张量转换到CPU上，再转换成NumPy。

my_data2 = torch.tensor([0,1,2,3],device = ‘cuda:1’)
my_data3 = my_data2.cpu().numpy()

tensor.reshape(*shape)：进行张量的形状属性转换。

my_data1 = torch.tensor([0,1,2,3])
my_data2 = my_data1.reshape(2,2)

单个维度上的shape值可以为-1，表示该维度上的shape值根据其他维度的值推算。

my_data3 = torch.arange(6)
my_data4 = my_data3.reshape(-1,2) #形状转换为（3,2）

张量的复制：tensor.clone()，不共享内存，如第一节所示例。

六、张量的数据格式

PyTorch、GPU中采用NCHW格式，TensorFlow、CPU中采用NHWC格式。

N：表示一批次的数据个数（batch size) ,如RGB图像的数量，有多少N，就有多少CHW。

C: 通道数，对应R 、G、B。

H： 高度 单通道的尺寸。

W： 宽度 单通道的尺寸。

存储格式：

对于 N=2,C=3, H=2,W=2 的张量：

[

[[[0,1],[2,3]] ,[[4,5],[6,7]],[[8,9],[10,11]] ],

[[[12,13],[14,15]] ,[[16,17],[18,19]],[[20,21],[22,23]] ],

]

存储的格式按照1维来存储，且对于NCHW格式按照 W->H->C->N的述序存储：

1，2，3，4，5，6，7，8，9，10，11 || 12，13，14，15，16，17，18，19，20，21，22，23

且对于NHWC格式按照 C->W->H->N的述序存储：

0，4，8，0，5，9，2，6，10，3，7，11 || 12，16，20，13，17，21，14，18，22，15，19，23

‘||’ 表示 N值不同的分割符。

学习资料：http://novel.ict.ac.cn/aics