1.Torch的地位
Torch 自称为神经网络界的 Numpy, 因为他能将 torch 产生的 tensor 放在 GPU 中加速运算 (前提是你有合适的 GPU), 就像 Numpy 会把 array 放在 CPU 中加速运算. 所以对于神经网络, 当然用 Torch 的 tensor 数据形式. 就像 Tensorflow 当中的 tensor 一样.
2.Numpy转Torch
import torch
import numpy as np
np_data = np.arange(6).reshape((2,3))#range()是python的内置函数,其返回值是range可迭代对象,arange()是Numpy库中的函数,其返回值是数组对象
torch_data = torch.from_numpy(np_data) #从numpy中获得数据,可以用torch.from_numpy()
tensor2array = torch_data.numpy()
print("numpy形式:\n",np_data)
print("tenor形式:\n",torch_data)
print("tensor转numpy:\n",tensor2array)
3.Torch 中的数学运算
data = [-3,-2,3,6]
tensor = torch.FloatTensor(data) #转换成32位浮点tensor
print("numpy:\n",np.abs(data))
print("torch:\n",torch.abs(tensor))
print("numpy:\n",np.sin(data))
print("torch:\n",torch.sin(tensor))
print("numpy:\n",np.mean(data))
print("torch:\n",torch.mean(tensor))
除了简单的计算, 矩阵运算才是神经网络中最重要的部分. 所以我们展示下矩阵的乘法. 注意一下包含了一个 numpy 中可行, 但是 torch 中不可行的方式.
import torch
import numpy as np
data = [[2,3],[4,5]]
tensor = torch.FloatTensor(data) #32位浮点数
print("numpy:\n",np.matmul(data,data)) #data.dot(data)也可以 注意要把list的data变成numpy形式:data = np.array(data)
print("torch:\n",torch.mm(tensor,tensor))