摘要：Tensor，它可以是0维、一维以及多维的数组，你可以将它看作为神经网络界的Numpy，它与Numpy相似，二者可以共享内存，且之间的转换非常方便。
本文分享自华为云社区《Tensor：Pytorch神经网络界的Numpy》，作者： 择城终老 。
Tensor
Tensor，它可以是0维、一维以及多维的数组，你可以将它看作为神经网络界的Numpy，它与Numpy相似，二者可以共享内存，且之间的转换非常方便。
但它们也不相同，最大的区别就是Numpy会把ndarray放在CPU中进行加速运算，而由Torch产生的Tensor会放在GPU中进行加速运算。
对于Tensor，从接口划分，我们大致可分为2类：
- torch.function：如torch.sum、torch.add等。
- tensor.function：如tensor.view、tensor.add等。
而从是否修改自身来划分，会分为如下2类：
- 不修改自身数据，如x.add(y)，x的数据不变，返回一个新的Tensor。
- 修改自身数据，如x.add_(y)，运算结果存在x中，x被修改。
简单的理解就是方法名带不带下划线的问题。
现在，我们来实现2个数组对应位置相加，看看其效果就近如何：
import torch x = torch.tensor([1, 2]) y = torch.tensor([3, 4]) print(x + y) print(x.add(y)) print(x) print(x.add_(y)) print(x)
运行之后，效果如下：
下面，我们来正式讲解Tensor的使用方式。
创建Tensor
与Numpy一样，创建Tensor也有很多的方法，可以自身的函数进行生成，也可以通过列表或者ndarray进行转换，同样也可以指定维度等。具体方法如下表（数组即张量）：
这里需要注意Tensor有大写的方法也有小写的方法，具体效果我们先来看看代码：
import torch t1 = torch.tensor(1) t2 = torch.Tensor(1) print("值{0},类型{1}".format(t1, t1.type())) print("值{0},类型{1}".format(t2, t2.type()))
运行之后，效果如下：
其他示例如下：
import torch import numpy as np t1 = torch.zeros(1, 2) print(t1) t2 = torch.arange(4) print(t2) t3 = torch.linspace(10, 5, 6) print(t3) nd = np.array([1, 2, 3, 4]) t4 = torch.from_numpy(nd) print(t4)
其他例子基本与上面基本差不多，这里不在赘述。
修改Tensor维度
同样的与Numpy一样，Tensor一样有维度的修改函数，具体的方法如下表所示：
示例代码如下所示：
import torch t1 = torch.Tensor([[1, 2]]) print(t1) print(t1.size()) print(t1.dim()) print(t1.view(2, 1)) print(t1.view(-1)) print(torch.unsqueeze(t1, 0)) print(t1.numel())
运行之后，效果如下：
截取元素
当然，我们创建Tensor张量，是为了使用里面的数据，那么就不可避免的需要获取数据进行处理，具体截取元素的方式如表：
示例代码如下所示：
import torch # 设置随机数种子，保证每次运行结果一致 torch.manual_seed(100) t1 = torch.randn(2, 3) # 打印t1 print(t1) # 输出第0行数据 print(t1[0, :]) # 输出t1大于0的数据 print(torch.masked_select(t1, t1 > 0)) # 输出t1大于0的数据索引 print(torch.nonzero(t1)) # 获取第一列第一个值，第二列第二个值，第三列第二个值为第1行的值 # 获取第二列的第二个值，第二列第二个值，第三列第二个值为第2行的值 index = torch.LongTensor([[0, 1, 1], [1, 1, 1]]) # 取0表示以行为索引 a = torch.gather(t1, 0, index) print(a) # 反操作填0 z = torch.zeros(2, 3) print(z.scatter_(1, index, a))
运行之后，效果如下：
我们a = torch.gather(t1, 0, index)对其做了一个图解，方便大家理解。如下图所示：
当然，我们直接有公司计算，因为这么多数据标线实在不好看，这里博主列出转换公司供大家参考：
当dim=0时,out[i,j]=input[index[i,j]][j] 当dim=1时,out[i,j]=input[i][index[i][j]]
简单的数学运算
与Numpy一样，Tensor也支持数学运算。这里，博主列出了常用的数学运算函数，方便大家参考：
需要注意的是，上面表格所有的函数操作均会创建新的Tensor，如果不需要创建新的，使用这些函数的下划线"_"版本。
示例如下：
t = torch.Tensor([[1, 2]]) t1 = torch.Tensor([[3], [4]]) t2 = torch.Tensor([5, 6]) # t+0.1*(t1/t2) print(torch.addcdiv(t, 0.1, t1, t2)) # t+0.1*(t1*t2) print(torch.addcmul(t, 0.1, t1, t2)) print(torch.pow(t,3)) print(torch.neg(t))
运行之后，效果如下：
上面的这些函数都很好理解，只有一个函数相信没接触机器学习的时候，不大容易理解。也就是sigmoid()激活函数，它的公式如下：
归并操作
简单的理解，就是对张量进行归并或者说合计等操作，这类操作的输入输出维度一般并不相同，而且往往是输入大于输出维度。而Tensor的归并函数如下表所示：
示例代码如下所示：
t = torch.Tensor([[1, 2]]) t1 = torch.Tensor([[3], [4]]) t2 = torch.Tensor([5, 6]) # t+0.1*(t1/t2) print(torch.addcdiv(t, 0.1, t1, t2)) # t+0.1*(t1*t2) print(torch.addcmul(t, 0.1, t1, t2)) print(torch.pow(t,3)) print(torch.neg(t))
运行之后，效果如下：
需要注意的是，sum函数求和之后，dim的元素个数为１，所以要被去掉，如果要保留这个维度，则应当keepdim=True，默认为False。
比较操作
在量化交易中，我们一般会对股价进行比较。而Tensor张量同样也支持比较的操作，一般是进行逐元素比较。具体函数如下表：
示例代码如下所示：
t = torch.Tensor([[1, 2]]) t1 = torch.Tensor([[3], [4]]) t2 = torch.Tensor([5, 6]) # t+0.1*(t1/t2) print(torch.addcdiv(t, 0.1, t1, t2)) # t+0.1*(t1*t2) print(torch.addcmul(t, 0.1, t1, t2)) print(torch.pow(t,3)) print(torch.neg(t))
运行之后，输出如下：
矩阵运算
机器学习与深度学习中，存在大量的矩阵运算。与Numpy一样常用的矩阵运算一样，一种是逐元素相乘，一种是点积乘法。函数如下表所示：
这里有3个主要的点积计算需要区分，dot()函数只能计算1维张量，mm()函数只能计算二维的张量，bmm只能计算三维的矩阵张量。示例如下：
# 计算1维点积 a = torch.Tensor([1, 2]) b = torch.Tensor([3, 4]) print(torch.dot(a, b)) # 计算2维点积 a = torch.randint(10, (2, 3)) b = torch.randint(6, (3, 4)) print(torch.mm(a, b)) # 计算3维点积 a = torch.randint(10, (2, 2, 3)) b = torch.randint(6, (2, 3, 4)) print(torch.bmm(a, b))
运行之后，输出如下：
