Pytorch中常用的API

最新推荐文章于 2025-06-17 15:36:51 发布

转载最新推荐文章于 2025-06-17 15:36:51 发布 · 3.4k 阅读

深度学习专栏收录该内容

21 篇文章

订阅专栏

本文详细介绍了PyTorch中的基础API，包括张量操作、数学函数、随机采样及矩阵运算等，提供了实例代码帮助理解。同时，还介绍了如何在GPU上运行张量计算。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文转载自：https://blog.youkuaiyun.com/huyaoyu/article/details/78526675

主要内容源于对PyTorch的doc的阅读： Doc

Tensor的element-wise的乘法是直接使用 * 。而Tensor之间的矩阵乘法使用Tensor.mm()方法。

仅记录了我认为比较常用和有用的API。

torch.is_tensor(obj)，若obj为Tensor类型，那么返回True。

torch.numel(obj)，返回Tensor对象中的元素总数。

torch.eye(n)，返回一个单位方阵，和MATLAB的eye()非常像。还有其他参数。

torch.from_numpy(obj)，利用一个numpy的array创建Tensor。注意，若obj原来是1列或者1行，无论obj是否为2维，所生成的Tensor都是一阶的，若需要2阶的Tensor，需要利用view()函数进行转换。

torch.linspace(start, end, steps)，返回一个1维的Tensor。

torch.ones()，与MATLAB的ones很接近。

torch.ones_like(input)，返回一个全1的Tensor，其维度与input相一致。

torch.arange(start, end, step)，直接返回一个Tensor而不是一个迭代器。

torch.zeros()，与MATLAB的zeros很像。

torch.zeros_like()，与torch.ones_like()类似。

torch.cat(seq, dim)，将tuple seq中描述的Tensor进行连接，通过实例说明用法。

torch.chunk（input, chunks, dim），与torch.cat()的作用相反。注意，返回值的数量会随chunks的值而发生变化.

torch.index_select(input, dim, index)，注意，index是一个1D的Tensor。

torch.masked_select(input, mask)，有点像MATLAB中利用bool类型矩阵进行索引的功能，要求mask是ByteTensor类型的Tensor。参考示例代码。注意，执行结果是一个1D的Tensor。

torch.squeeze(input)，将input中维度数值为1的维度去除。可以指定某一维度。结果是共享input的内存的。

torch.t(input)，将input进行转置，不是in place。输出的结果是共享内存的。要求input为2D。

torch.unsqeeze(input, dim)，在input目前的dim维度上增加一维。

好多random sampling的函数接口，还有inplace的。

torch.save()和torch.load()

不常见的运算函数

torch.clamp(input, min, max)，将input的值约束在min和max之间

torch.trunc(input)，将input的小数部分舍去。

torch.norm()

还有一些统计功能的函数。

torch.eq(input, other)，返回一个Tensor。

torch.equal(input, other)，返回True，False。

还有一些用于比较的函数，包括ne(), kthmin(), topk()

torch.grad()，与MATLAB的diag可能不同，这个函数将返回一个与原Tensor维度相同的Tensor。

torch.trace()，

torch.tril()和torch.triu()，返回下三角和上三角Tensor。

有一些用于batch上乘法，加法的函数。

torch.btriface()和torch.btrisolve()，LU分解和线性求解。

torch.dot(), torch.eig(), torch.inverse(), torch.matmul(), torch.mv()等函数。有各种decomposition的函数。

简单示例代码


  
    
     
    
    
     
      import numpy 
      as np
     
    

    
     
    
    
     
      import torch
     
    

    
     
    
    
     
      import copy
     
    

    
     
    
    
      
     
    

    
     
    
    
     
      if __name__ == 
      '__main__':
     
    

    
     
    
    
     
      	t1 = torch.randn(
      4, 
      4)
     
    

    
     
    
    
      
     
    

    
     
    
    
     
      	n2 = np.random.rand(
      3)
     
    

    
     
    
    
     
      	n2 = n2.reshape(
      3, 
      1)
     
    

    
     
    
    
      
     
    

    
     
    
    
     
      	tn2 = torch.from_numpy(n2)
     
    

    
     
    
    
      
     
    

    
     
    
    
     
      	n3 = copy.deepcopy(n2)
     
    

    
     
    
    
     
      	n3 = n3.reshape(
      1,
      3)
     
    

    
     
    
    
      
     
    

    
     
    
    
     
      	tn3 = torch.from_numpy(n3)
     
    

    
     
    
    
      
     
    

    
     
    
    
     	
      # cat().
     
    

    
     
    
    
      
     
    

    
     
    
    
     
      	t4 = torch.cat( (tn3, tn3), dim = 
      0 )
     
    

    
     
    
    
     
      	t5 = torch.cat( (tn3, tn3), dim = 
      1 )
     
    

    
     
    
    
     
      	t4_2 = torch.cat( (t4, tn3), dim = 
      0 )
     
    

    
     
    
    
      
     
    

    
     
    
    
     	
      # thunk().
     
    

    
     
    
    
      
     
    

    
     
    
    
     
      	t6_0, t6_1 = torch.chunk( t1, 
      2, dim = 
      0 )
     
    

    
     
    
    
     
      	t7_0, t7_1 = torch.chunk( t1, 
      2, dim = 
      1 )
     
    

    
     
    
    
      
     
    

    
     
    
    
     	
      # masked_select().
     
    

    
     
    
    
      
     
    

    
     
    
    
     
      	t8_mask = t1.ge(
      0.1)
     
    

    
     
    
    
     
      	t8 = torch.masked_select( t1, t8_mask )

PyTorch 最开始的教程里给出了将Tensor转存在GPU上的方法


  
    
     
    
    
     
      if torch.cuda.is_available():
     
    

    
     
    
    
     
          device = torch.device(
      "cuda")
     
    

    
     
    
    
     
          y = torch.ones_like(x, device=device)
     
    

    
     
    
    
     
          x = x.to(device)
     
    

    
     
    
    
     
          z = x + y
     
    

    
     
    
    
     
          print(z)
     
    

    
     
    
    
     
          print(z.to(
      "cpu", torch.double))