今天是Pytorch專題的第二篇，我們繼續來瞭解一下Pytorch中Tensor的用法。

上一篇文章當中我們簡單介紹了一下如何建立一個Tensor，今天我們繼續深入Tensor的其他用法。

tensor操作

size()和shape

我們可以用size()函式或者直接呼叫tensor當中的shape屬性獲取一個tensor的大小，這兩者是等價的，一般情況下我們用前者多一些。

view

我們可以通過view改變一個tensor的shape，它會根據我們指定的shape返回一個新的tensor。

需要注意的是，view返回的是原資料的一個引用

在上面這個例子當中，我們把原tensor x中的[0, 1]的位置修改成了2，我們print y會發現y當中的元素同樣發生了變化。

numel

我們可以用numel獲取tenosr當中元素的數量:

squeeze和unsqueeze

我們可以用squeeze來減少tensor的維度，而使用unsqueeze來增加一個tenor的維度。

其中unsqueeze接收一個引數，允許我們指定我們希望增加的維度。我們可以通過size明顯看到資料的變化：

squeeze是減少維度，相比之下沒有那麼多操作，它會自動將長度是1的維度消除，如果沒有一個維度長度是1，也就是說當前已經是最簡的形式，那麼什麼也不會變化。

也支援使用另一個陣列作為索引訪問資料：

Tensor索引

Tensor當中支援與Numpy陣列類似的索引操作，語法也非常相似。和Numpy一樣，索引得到的結果是原資料的引用，也就是說我們修改其中一個，另一個也會跟著發生變動。

它支援多維索引：

也支援切片：

也可以通過bool陣列獲取元素：

Tensor運算

Tensor當中有大量的運算api，我們只列舉其中最常用的幾種，剩下的使用頻率不高，大家可以用到的時候再去查閱相應的檔案。

加減乘除

Tensor當中支援好幾種運算的方法，我們以加法為例來瞭解一下。首先支援通過符號直接運算：

第二種方法是我們可以呼叫torch當中的函式，比如加法的函式就是add。

如果使用torch當中的函式進行計算的話，它還支援out引數，允許我們傳入一個tensor，它會將計算結果儲存tensor當中。

除此之外，它還允許我們進行inplace操作，也就是在原tensor值的基礎上直接修改，而不是通過函式值返回。和Numpy當中傳入inplace引數的設計不同，Tensor當中是通過api區分的，在原函式名下增加一個下劃線即是inplace的api，比如add的inplace方法是add_。

矩陣點乘

在機器學習領域當中，矩陣點乘是一個經常用到的操作。因為為了節省時間，我們通常會把樣本和特徵以及各類引數向量化，通過矩陣或者是向量點乘的形式來進行加權求和、線性變換等操作。所以矩陣點乘非常重要，必定會用到。

在Numpy當中我們通過dot函式來計算兩個矩陣之間的內積，而在Tensor當中做了嚴格的區分，只有一維的向量才可以使用dot計算點乘，多維的向量只能使用matmul計算矩陣的乘法。為了簡化，還可以使用mm來代替matmul。如果你學過TensorFlow的話，你會發現matmul是TensorFlow當中點乘的api，Pytorch當中沿用了這個命名。

可以看到，mm和matmul計算得到的結果是一致的。

型別轉換

在Numpy當中，我們通過astype方法轉換型別，而在Tensor當中將這個方法拆分，每一種型別都有自己的轉化函式。

比如我們想要將tensor轉化成int型別，呼叫的是int()方法，想要轉化成float型別呼叫的是float()方法。呼叫這些方法之後，會返回一個新的tensor。

Tensor當中定義了7種CPU型別和8種GPU型別：

我們可以呼叫內建函式將它們互相轉化，這些轉換函式有：long(), half(), int(), float(), double(), byte(), char(), short()。我相信這些函式的含義大家應該都可以理解。

轉置與變形

Tensor當中的轉置操作和Numpy中不太相同，在Numpy當中，我們通過.T或者是transpose方法來進行矩陣的轉置。如果是高維陣列進行轉置，那麼Numpy會將它的維度完全翻轉。

而在Tensor當中區分了二維陣列和高維陣列，二維陣列的轉置使用的函式是t()，它的用法和.T一樣，會將二維陣列的兩個軸調換。

如果是高維陣列呼叫t函式會報錯，如果我們要變換高維陣列的形狀，可以呼叫transpose和permute兩個方法。先說transpose方法，它接收兩個int型引數，表示需要調換的兩個軸。比如一個形狀是[4, 3, 2]的矩陣，我們可以通過0，1，2表示它的所有軸，傳入兩個，指定想要調換的兩個軸：

而permute可以調換多個軸的位置，所以它接受的引數是一個int型的不定引數。我們傳入我們希望得到的軸的順序，Tensor會根據我們傳入的軸的順序對資料進行翻轉：

另外，t和transpose支援inplace操作，而permute不行，這也是他們顯著的區別之一。

裝置之間移動

我們可以通過device這個屬性看到tensor當前所在的裝置：

我們可以通過cuda函式將一個在CPU的tensor轉移到GPU，但是不推薦這麼幹。比較好的辦法是使用to方法來進行裝置轉移。

將tensor轉移到GPU上進行計算可以利用GPU的併發效能提升計算的效率，這是Pytorch當中常用的手段。to方法不僅可以改變tensor的裝置，還可以同時變更tensor當中元素的型別：

總結

雖然tensor擁有許多額外的功能和計算函式，但是tensor的意義並不僅僅如此。最重要的是，它可以提升我們的計算速度。這當中的原理也很簡單，因為在Python的List當中，每一個元素其實都是一個物件。即使我們儲存的是一個int或者是float，Python都會將它們封裝成一個物件，這會帶來額外的開銷。如果只是少量的資料影響不大，如果是上百萬甚至是更大的量級，那麼兩者的差距就會非常大。另外一點就是tensor庫的底層也是C和C++，執行效率顯然Python更高。所以我們不能簡單地把它理解成一個計算包，對於深度學習來說，它並不僅僅只是計算。

Tensor當中還有許多其他的方法，這其中許多實用頻率很低加上篇幅的限制，我們不能一一窮盡，大家只需要對Tensor庫整體有一個映像，一些具體的使用方法和細節可以用到的時候再進行查詢。

本文基於滴滴雲GPU完成，租借滴滴雲GPU，使用滴滴雲AI大師碼2323，享受9折優惠。

如果喜歡本文，可以的話，請點個關注，給我一點鼓勵，也方便獲取更多文章。

本文使用 mdnice 排版