data = [
[1, 2],
[3, 4]
]
x = torch.tensor(data)
print(x)
NumPy 배열에서 텐서를 초기화할 수 있다
a = torch.tensor([5])
b = torch.tensor([7])
# tensor를 numpy로 변환
c = (a + b).numpy()
print(c)
print(type(c))
result = c * 10
# numpy를 tensor로 변환
tensor = torch.from_numpy(result)
print(tensor)
print(type(tensor))
다른 텐서의 정보를 토대로 텐서를 초기화할 수 있다
x = torch.tensor([
[5, 7],
[1, 2]
])
# x와 같은 모양과 자료형을 가지지만, 값이 1인 텐서 생성
x_ones = torch.ones_like(x)
print(x_ones)
# x와 같은 모양을 가지되, 자료형은 float으로 덮어쓰고, 값은 랜덤으로 채우기
x_rand = torch.rand_like(x, dtype=torch.float32) # uniform distribution [0, 1)
print(x_rand)
3. 텐서의 형변환 및 차원 조작
텐서는 넘파이(NumPy) 배열처럼 조작할 수 있다
3-1. 텐서의 특정 차원 접근하기
: 는 텐서의 차원을 전체 선택할 때 사용
... 는 모든 중간 차원을 선택할 때 사용
tensor = torch.tensor([
[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12]
])
print(tensor[0]) # first row
print(tensor[:, 0]) # first column
print(tensor[..., -1]) # last column
3-2. 텐서 이어붙이기 (Concatenate)
tensor = torch.tensor([
[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12]
])
# dim: 텐서를 이어 붙이기 위한 축
# 0번 축(행)을 기준으로 이어 붙이기
result = torch.cat([tensor, tensor, tensor], dim=0)
print(result)
# 1번 축(열)을 기준으로 이어 붙이기
result = torch.cat([tensor, tensor, tensor], dim=1)
print(result)
3-3. 텐서 형변환 (Type Casting)
텐서의 자료형(정수, 실수 등)을 변환할 수 있다
a = torch.tensor([2], dtype=torch.int)
b = torch.tensor([5.0])
print(a.dtype)
print(b.dtype)
# 텐서 a는 자동으로 float32형으로 형변환 처리
print(a + b)
print((a + b).dtype)
# 텐서 b를 int32형으로 형변환하여 덧셈 수행
print(a + b.type(torch.int32))
print((a + b.type(torch.int32)).dtype)
3-4. 텐서의 모양 변경
view()는 텐서의 모양을 변경할 때 사용한다
이때, 텐서(tensor)의 순서는 변경되지 않는다
# view()는 텐서의 모양을 변경할 때 사용한다.
# 이때, 텐서(tensor)의 순서는 변경되지 않는다.
a = torch.tensor([1, 2, 3, 4, 5, 6, 7, 8])
b = a.view(4, 2)
print(b)
# a의 값을 변경하면 b도 변경, 얕은 복사
a[0] = 7
print(b)
# a의 값을 복사(copy)한 뒤에 변경, 깊은 복사
c = a.clone().view(4, 2)
a[0] = 9
print(c)
3-5. 텐서의 차원 교환
하나의 텐서에서 특정한 차원끼리 순서를 교체할 수 있다
a = torch.rand((64, 32, 3))
print(a.shape)
b = a.permute(2, 1, 0) # 차원 자체를 교환
# (2번째 축, 1번째 축, 0번째 축)의 형태가 되도록 한다.
print(b.shape)
4. 텐서의 연산과 함수
4-1. 텐서의 연산
# 같은 크기를 가진 두 개의 텐서에 대하여 사칙연산 가능
# 기본적으로 요소별(element-wise) 연산
a = torch.tensor([
[1, 2],
[3, 4]
])
b = torch.tensor([
[5, 6],
[7, 8]
])
print(a + b)
print(a - b)
print(a * b)
print(a / b)
행렬 곱을 수행할 수 있다
a = torch.tensor([
[1, 2],
[3, 4]
])
b = torch.tensor([
[5, 6],
[7, 8]
])
# 행렬 곱(matrix multiplication) 수행
print(a.matmul(b))
print(torch.matmul(a, b))
4-2. 텐서의 평균 함수
텐서의 평균(mean)을 계산할 수 있다
a = torch.Tensor([
[1, 2, 3, 4],
[5, 6, 7, 8]
])
print(a)
print(a.mean()) # 전체 원소에 대한 평균
print(a.mean(dim=0)) # 각 열에 대하여 평균 계산
print(a.mean(dim=1)) # 각 행에 대하여 평균 계산
4-3. 텐서의 합계 함수
텐서의 합계(sum)를 계산할 수 있다
a = torch.Tensor([
[1, 2, 3, 4],
[5, 6, 7, 8]
])
print(a)
print(a.sum()) # 전체 원소에 대한 합계
print(a.sum(dim=0)) # 각 열에 대하여 합계 계산
print(a.sum(dim=1)) # 각 행에 대하여 합계 계산
dim=0이 "첫 번째 차원"이라는 것은 맞지만, 이것이 "각 행"을 의미하는 것이 아니라 "행"을 대상으로 연산이 수행된다는 것을 의미 → 즉, dim=0일 때 첫번째 행의 첫번째 열, 두번째 행의 첫번째 열 ··· 이런식으로 열은 고정하고 하나의 값 계산, dim=1일 때는 첫번째 열의 첫번째 행, 두번째 열의 첫번째 행 ··· 이런식으로 계산
4-4. 텐서의 최대 함수
max() 함수는 원소의 최댓값을 반환한다
argmax() 함수는 가장 큰 원소(최댓값)의 인덱스를 반환한다
a = torch.Tensor([
[1, 2, 3, 4],
[5, 6, 7, 8]
])
print(a)
print(a.max()) # 전체 원소에 대한 최댓값
print(a.max(dim=0)) # 각 열에 대하여 최댓값 계산
print(a.max(dim=1)) # 각 행에 대하여 최댓값 계산
a = torch.Tensor([
[1, 2, 3, 4],
[5, 6, 7, 8]
])
print(a)
print(a.argmax()) # 전체 원소에 대한 최댓값의 인덱스
print(a.argmax(dim=0)) # 각 열에 대하여 최댓값의 인덱스 계산
print(a.argmax(dim=1)) # 각 행에 대하여 최댓값의 인덱스 계산
4-5. 텐서의 차원 줄이기 혹은 늘리기
unsqueeze() 함수는 크기가 1인 차원을 추가한다
배치(batch) 차원을 추가하기 위한 목적으로 흔히 사용된다
squeeze() 함수는 크기가 1인 차원을 제거한다
a = torch.Tensor([
[1, 2, 3, 4],
[5, 6, 7, 8]
])
print(a.shape)
# 첫 번째 축에 차원 추가
a = a.unsqueeze(0)
print(a)
print(a.shape)
# 네 번째 축에 차원 추가
a = a.unsqueeze(3)
print(a)
print(a.shape)
# 크기가 1인 차원 제거
a = a.squeeze()
print(a)
print(a.shape)
