Pytorch与Numpy

import numpy as np
import torch

1.转换

data = np.array([[1,2,3],[4,5,6],[7,8,9]])
array2tensor = torch.from_numpy(data)
tensor2array = array2tensor.numpy()

"""
tensor([[1, 2, 3],
        [4, 5, 6],
        [7, 8, 9]], dtype=torch.int32)

array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])
"""

2.随机数

Numpy

种子np.random.seed(seed)

· numpy.random.rand(d0, d1, ..., dn)

产生均匀分布在[0,1)间的随机数，括号里指定size，默认float

a = np.random.rand(3, 3)

"""
array([[0.15334759, 0.92629601, 0.66620659],
       [0.96422599, 0.71548214, 0.66290283],
       [0.2524382 , 0.24994874, 0.56431885]])
"""

· numpy.random.randn(d0, d1, ..., dn)

产生标准正态分布（均值为1，方差为0）随机数，默认float

a = np.random.randn(3, 3)

"""
array([[ 1.11674106, -0.29341747,  1.3589762 ],
       [ 0.53113603,  0.27664724,  1.00542435],
       [ 0.7966614 , -0.87245422, -0.63765919]])
"""

· numpy.random.randint(low, high, size, dtype)

产生随机整数

a = np.random.randint(1 , 10 , (3 , 3))

"""
array([[1, 5, 7],
       [3, 1, 3],
       [5, 7, 9]])
"""

· numpy.random.random(size)

产生[0, 1)之间的浮点数

a = np.random.random((3,3))

"""
array([[0.06250577, 0.34364639, 0.38829973],
       [0.84117707, 0.36396527, 0.27810945],
       [0.40451704, 0.79816697, 0.53218176]])
"""

· numpy.random.uniform(low, high, size)

产生浮点数，浮点数在高低阈值内均匀分布

a = np.random.uniform(1 , 10 , (3 , 3))

"""
array([[3.78630803, 4.0347892 , 8.59961933],
       [1.39894366, 4.79155566, 8.80261069],
       [2.93894629, 7.76194383, 1.66707995]])
"""

Pytorch

种子torch.manual_seed (int or long)

· torch.normal(mean, std, out=None) → Tensor

· torch.normal(mean=0.0, std, out=None) → Tensor

· torch.normal(mean, std=1.0, out=None) → Tensor

返回一个张量，包含从给定参数means,std的离散正态分布中抽取随机数

torch.normal(mean=torch.arange(1., 11.), std=torch.arange(1, 0, -0.1))
#均值和标准差的形状不需要匹配，但是每个张量中元素的总数需要相同
torch.normal(mean=0.5, std=torch.arange(1., 6.)) #共享均值，默认为0
torch.normal(mean=torch.arange(1., 6.)) #共享标准差，默认为1

"""
tensor([0.0453, 2.2179, 3.6245, 4.8631, 5.3302, 6.0755, 6.7167, 7.8588, 9.1602,
        9.6817])
tensor([ 0.5778,  2.7397,  0.1901, -4.2744,  2.4538])
tensor([1.2878, 1.3632, 2.1901, 3.8385, 6.1036])
"""

· torch.randn(size) → Tensor

返回一个标准正态分布(均值为0、方差为1)随机数组成的张量

torch.randn(3, 3)

"""
tensor([[-0.4921, -0.9048,  1.0979],
        [-0.4808,  0.7250, -0.0609],
        [-1.7212, -0.7908, -0.2270]])
"""

· torch.randint(low=0, high, size) → Tensor

返回一个在高低阈值间均匀分布的随机整数张量

torch.randint(1,10,(3,3))

"""
tensor([[9, 1, 8],
        [1, 2, 4],
        [8, 4, 7]])
"""

· torch.rand(size) → Tensor

产生均匀分布在[0,1)间的随机张量

torch.rand((3,3))

"""
tensor([[0.7242, 0.2358, 0.8065],
        [0.4882, 0.1418, 0.6659],
        [0.0871, 0.8819, 0.5817]])
"""

3.方法

numpy和pytorch中许多函数使用方法一致，且很多方法可以直接通过实例的下标调用，代码中使用库函数调用方式

tensor = torch.FloatTensor([[-1,-2],[1,2]])
array = np.array([[-1.,-2.],[1.,2.]])

torch.sin(tensor)
np.sin(array)

torch.abs(tensor)
np.abs(array)

torch.max(tensor)
np.max(array)
...

"""
tensor([[-0.8415, -0.9093],
        [ 0.8415,  0.9093]])
array([[-0.84147098, -0.90929743],
       [ 0.84147098,  0.90929743]])

tensor([[1., 2.],
        [1., 2.]])
array([[1., 2.],
       [1., 2.]])

tensor(2.)
2.0
"""

4.计算

#矩阵乘
torch.mm(tensor,tensor) 
np.matmul(array,array)
torch.dot(torch.tensor([2, 3]), torch.tensor([2, 1]))  #Expected 1-D argument self
#数组乘
torch.mul(tensor,tensor)
np.multiply(array,array)

"""
tensor([[-1., -2.],
        [ 1.,  2.]])
array([[-1., -2.],
       [ 1.,  2.]])
tensor(7)

tensor([[1., 4.],
        [1., 4.]])
array([[1., 4.],
       [1., 4.]])
"""

5.GPU

pytorch张量具有GPU支持，通过.cuda()方法移至GPU加速运算，传统的numpy库不支持GPU加速，因此在使用CUDA加速时，无法使用numpy转化以及numpy库的相关方法，但可以通过.cpu()将目标张量移至CPU，再进行numpy转换。我在搭建网络时就曾遇到TypeError:can't convert CUDA tensor to numpy.

最后编辑于：2019.02.14 12:40:28