用 Numpy 还是 Torch
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. 所以神经网络的话, 当然是用 Torch 的 tensor 形式数据最好咯. 就像 Tensorflow 当中的 tensor 一样.
当然, 我们对 Numpy 还是爱不释手的, 因为我们太习惯 numpy 的形式了. 不过 torch 看出来我们的喜爱, 他把 torch 做的和 numpy 能很好的兼容. 比如这样就能自由地转换 numpy array 和 torch tensor 了:
1 2 3 4 5 6 7 8 9 10 11 | import torch import numpy as np np_data = np.arange(6).reshape((2, 3)) torch_data = torch.from_numpy(np_data) tensor2array = torch_data.numpy() print( \'\nnumpy array:\', np_data, # [[0 1 2], [3 4 5]] \'\ntorch tensor:\', torch_data, # 0 1 2 \n 3 4 5 [torch.LongTensor of size 2x3] \'\ntensor to array:\', tensor2array, # [[0 1 2], [3 4 5]] ) |
Torch 中的数学运算
其实 torch 中 tensor 的运算和 numpy array 的如出一辙, 我们就以对比的形式来看. 如果想了解 torch 中其它更多有用的运算符, API就是你要去的地方.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 | # abs 绝对值计算 data = [-1, -2, 1, 2] tensor = torch.FloatTensor(data) # 转换成32位浮点 tensor print( \'\nabs\', \'\nnumpy: \', np.abs(data), # [1 2 1 2] \'\ntorch: \', torch.abs(tensor) # [1 2 1 2] ) # sin 三角函数 sin print( \'\nsin\', \'\nnumpy: \', np.sin(data), # [-0.84147098 -0.90929743 0.84147098 0.90929743] \'\ntorch: \', torch.sin(tensor) # [-0.8415 -0.9093 0.8415 0.9093] ) # mean 均值 print( \'\nmean\', \'\nnumpy: \', np.mean(data), # 0.0 \'\ntorch: \', torch.mean(tensor) # 0.0 ) |
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.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 | # matrix multiplication 矩阵点乘 data = [[1,2], [3,4]] tensor = torch.FloatTensor(data) # 转换成32位浮点 tensor # correct method print( \'\nmatrix multiplication (matmul)\', \'\nnumpy: \', np.matmul(data, data), # [[7, 10], [15, 22]] \'\ntorch: \', torch.mm(tensor, tensor) # [[7, 10], [15, 22]] ) # !!!! 下面是错误的方法 !!!! data = np.array(data) print( \'\nmatrix multiplication (dot)\', \'\nnumpy: \', data.dot(data), # [[7, 10], [15, 22]] 在numpy 中可行 \'\ntorch: \', tensor.dot(tensor) # torch 会转换成 [1,2,3,4].dot([1,2,3,4) = 30.0 ) |
文章来源：莫烦
本站微信群、QQ群(三群号 726282629)：
