텐서 조작 방법 (Tensor Operations)

 

 

1. torch

import torch # torch import

x= 34.0      
print(type(x)) # cpu 레벨에 있는 타입  즉, 파이썬 내의 오브젝트 타입이다.
#  output: <class 'float'>

y = torch.tensor(x))
print(type(y)) # tensor로 바꾸는 순간, 파이썬 내부의 오브젝트 타입이 아닌, pytorch 내의 오브젝트 타입이 됨.
#  output: <class 'torch.Tensor'>

 

 

2. list to Tensor

- list도 텐서로 매핑됨.

- 텐서는  scalar, vector, matrix, n-dimension array를 모두 포함하는 개념이기 때문

x = [1,2,3,4]
y = torch.tensor(x)

print(type(x))
# ouput: <class 'list'>

print(type(y))
# output: <class 'torch.Tensor'>

 

 

3. size of tensor

- size는 row, column 순으로 출력된다.

x = [
[1,2,3,4],
[5,6,7,8]
]

print(torch.tensor(x))
# output: tensor([[1,2,3,4],[5,6,7,8]])

print(torch.tensor(x).shape)
# output: tensor.Size([2,4]) 

print(torch.tensor(x).size())
# output: tensor.Size([2,4])

 

x = np.array([
	[
		[
			[1,2,3,4],
			[5,6,7,8]
		]
	]
])

print(torch.tensor(x))
# tensor([[[[1,2,3,4],[5,6,7,8]]]], dtype=torch.int32)

print(torch.tensor(x).shape)
# torch.Size([1,1,2,4])

 

 

4. Numpy to tensor

import numpy as np

a = 34.3
b = torch.tensor(a)

print(b)
# output: tensor(34.3000)

print(b.dtype)
# output: torch.float32


x = np.array(34.3)

print(type(x))
# output: <class 'numpy.ndarray'>

print(x.dtype)
# output: float64

y = torch.tensor(x)
print(y)
# output: tensor(34.3000, dtype=torch.float64)

 

 

5. Type Conversion

1) tensor type

 

 

2) tensor type 선언 (create 시 명시)

x = torch.tensor([1,2,3,4], dtype=torch.float)

print(x)
# tensor([1., 2., 3., 4.])

print(x.dtype)
# torch.float32

y = torch.tensor([1,2,3,4], dtype=torch.float16)

 

 

3) tensor type conversion

- to() 사용

x = torch.tensor([1,2,3,4], dtype=torch.float)

print(x)
# tensor([1., 2., 3., 4.])
print(x.dtype)
# torch.float32



y = x.to(torch.int)

print(y)
# tensor([1,2,3,4], dtype=torch.int32)
print(y.dtype)
# torch.int32

 

 

- type() 사용

x = torch.tensor([1,2,3,4], dtype=torch.float)

print(x)
# tensor([1., 2., 3., 4.])
print(x.dtype)
# torch.float32



y = x.type(torch.int)

print(y)
# tensor([1,2,3,4], dtype=torch.int32)
print(y.dtype)
# torch.int32

 

 

6. Tensor Shape

- tensor는 기본적으로 n-dimensional array

- x.size도 결국 텐서

x = torch.tensor(
[
	[1,2,3],
    [4,5,6]
] )

print(x.shape)
# torch.Size([2,3])


batch_size, dim_1 = x.shape

print(batch_size)
# 2
print(dim_1)
# 3

 

- 다음과 같이 변환(reshape) 가능

- 모든 컴포넌트가 가지고 있는 정보량이 같다면! (총 컴포넌트 수가 같다면) 변환 가능 - 손실될 정보가 없기 때문에 

- 정보량이 같은지는 reshape안에 있는 숫자들 모두 곱했을 때 같은지 확인하면 됨.

print("Original: ", x.shape)
print("Reshaped: ", x.reshape[3,2]).shape)
print("Reshaped: ", x.reshape[1,6]).shape)
print("Reshaped: ", x.reshape[6,1]).shape)

# output 
# Original: torch.Size([2,3])
# Reshaped: torch.Size([3,2])
# Reshaped: torch.Size([1,6])
# Reshaped: torch.Size([6,1])


print(x)
# output: tensor([[1,2,3], [4,5,6]])
print(x.reshape[6]))
# output: tensor([1,2,3,4,5,6])
print(x.reshape[1,1,1,1,1,1,1,1,1,6])
# output: tensor([[[[[[[[[[1,2,3,4,5,6]]]]]]]]]])

 

 

7. Reshape and View

-  'view'란: 파이토치에서 제공하는 shaping operation. reshape와 거의 비슷하지만 메모리 사용방식이 다름.

- view로 리턴하게 되면 shape는 다르지만 말 그대로 view만 바꿔줌. 데이터 자체의 메모리 구조를 건들이지 않음.

- 데이터를 액세스하게 될 때의 shape만 바꿔주는 것. (data 자체를 바꾸지는 않음!!!)

 

 

 

 

 

 

 

 

출처: CNU ISoft Lab (Deep Learning NLP 101)