目次
1. 目的
2. テンソル入門
2.1. 未初期化テンソル torch.empty()
2.2. 乱数 torch.rand()
2.3. 零行列 torch.zeros()
2.4. 任意のテンソル定義 torch.tensor()
2.5. テンソルの再定義 .new_と.randn_like()
2.6. サイズの確認
2.7. 足し算
2.8. スライス
2.9. リサイズ
3. テンソルとNumPyのやりとり
3.1. テンソルからNumPy arrayの変換
3.2. NumPy Arrayからテンソルの変換
1. 目的
PyTorchのチュートリアル「What is PyTorch?」を参考にPyTorchで特有のテンソルの扱いになれること。
2. テンソル入門
PyTorchのテンソルはNumPyのndarrayと似ていますが、テンソルを使うことでGPUの計算を速くすることができます。
初めに、PyTorchのパッケージをインストールする。
from __future__ import print_function import torch
2.1. 未初期化テンソル torch.empty()
5×3の行列を、torch.empty()で作ってみます。
torch.empty()では、明確な値が宣言されていないので、xは何らかの値で初期化されません。
この場合、割り当てられたメモリに存在する値が初期値となります。
x = torch.empty(5, 3) print(x)
tensor([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
2.2. 乱数 torch.rand()
torch.rand()では、0から1の間で乱数を生成します。
乱数なので、以下の結果は皆さんとは違う数値となるでしょう。
x = torch.rand(5, 3) print(x)
tensor([[0.8352, 0.4284, 0.9945],
[0.0470, 0.6297, 0.8245],
[0.3345, 0.2747, 0.4997],
[0.4784, 0.6809, 0.9355],
[0.3260, 0.4357, 0.4054]])
2.3. 零行列 torch.zeros()
torch.zeros()は、零行列を生成します。dtype(data type)からデータの型を指定することができます。
x = torch.zeros(5, 3, dtype=torch.long) print(x)
tensor([[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])
2.4. 任意のテンソル定義 torch.tensor()
torch.tensor()で、直接テンソルを定義することができます。
x = torch.tensor([5.5, 3]) print(x)
tensor([5.5000, 3.0000])
2.5. テンソルの再定義 .new_と.randn_like()
既に定義されたテンソルに基づいてテンソルを作成する場合、新たに入力されたテンソルのプロパティは前のテンソルのプロパティと同じものになります。
例えば、元々あったテンソルに新たに値を入力したとしても、dtypeは前のテンソルと変わりません。
このようにdtypeも含めてテンソルを再定義したい場合、.new_ ()メソッドあるいは、.randn_like()メソッドで実行できます。
以下の例では、テンソルxのdtypeをfloatとdoubleを行き来しています。
print(x.dtype)
torch.float32
x = x.new_ones(5, 3, dtype=torch.double) print(x)
tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=torch.float64)
print(x.dtype)
torch.float64
x = torch.randn_like(x, dtype=torch.float) print(x)
tensor([[-0.3210, -1.4832, -0.2524],
[-2.0422, 0.7449, 0.1984],
[ 0.2876, -1.2218, 2.3327],
[-0.5546, 0.3350, 1.1102],
[ 0.0944, 0.0898, -0.3516]])
print(x.dtype)
torch.float32
2.6. サイズの確認
テンソルサイズは、.size()メソッドで確認できる。
print(x) print(x.size())
tensor([[-0.3210, -1.4832, -0.2524],
[-2.0422, 0.7449, 0.1984],
[ 0.2876, -1.2218, 2.3327],
[-0.5546, 0.3350, 1.1102],
[ 0.0944, 0.0898, -0.3516]])
torch.Size([5, 3])
2.7. 足し算
テンソルの足し算は、普段通りの単純な書き方で実行できる。
x = torch.rand(5,3) y = torch.rand(5,3) print(x) print(y)
tensor([[0.7466, 0.5271, 0.8535],
[0.4013, 0.6994, 0.6155],
[0.5134, 0.9600, 0.3479],
[0.2490, 0.1273, 0.4822],
[0.3450, 0.3346, 0.3434]])tensor([[0.2132, 0.5978, 0.9456],
[0.6022, 0.3573, 0.5939],
[0.3110, 0.2472, 0.1006],
[0.8461, 0.5532, 0.2845],
[0.2572, 0.4491, 0.6128]])
print(x + y)
tensor([[0.9598, 1.1249, 1.7991],
[1.0035, 1.0567, 1.2095],
[0.8245, 1.2073, 0.4485],
[1.0951, 0.6805, 0.7668],
[0.6021, 0.7837, 0.9562]])
torch.add()でも足し算ができる。
print(torch.add(x, y))
tensor([[0.9598, 1.1249, 1.7991],
[1.0035, 1.0567, 1.2095],
[0.8245, 1.2073, 0.4485],
[1.0951, 0.6805, 0.7668],
[0.6021, 0.7837, 0.9562]])
足し算の結果を新たな変数として指定してやることもできます。
result = torch.empty(5, 3) torch.add(x, y, out=result) print(result)
tensor([[0.9598, 1.1249, 1.7991],
[1.0035, 1.0567, 1.2095],
[0.8245, 1.2073, 0.4485],
[1.0951, 0.6805, 0.7668],
[0.6021, 0.7837, 0.9562]])
.add_()メソッドを使ってでも足し算ができます。
y.add(x) print(y)
tensor([[0.9598, 1.1249, 1.7991],
[1.0035, 1.0567, 1.2095],
[0.8245, 1.2073, 0.4485],
[1.0951, 0.6805, 0.7668],
[0.6021, 0.7837, 0.9562]])
2.8. スライス
PyTorchでもNumPyと同じようにスライスを使うことができます。
テンソルxから2列目を取り出す場合。
print(x)
tensor([[0.7466, 0.5271, 0.8535],
[0.4013, 0.6994, 0.6155],
[0.5134, 0.9600, 0.3479],
[0.2490, 0.1273, 0.4822],
[0.3450, 0.3346, 0.3434]])
print(x[:, 1])
tensor([0.5271, 0.6994, 0.9600, 0.1273, 0.3346])
2.9. リサイズ
テンソルのresizeやreshapeはtorch.viewを使うことで実行できます。
以下の例では、xは4×4として、yはテンソルxを1×16にreshape、zはテンソルxを2×8にreshapeします。x.view(-1,8)の-1は他の次元の要素数から推測して埋められます。
この場合だと、要素数は16なので二次元目が8なので一次元目は2(=16/8)になります。
x = torch.randn(4, 4) y = x.view(16) z = x.view(-1, 8) # the size -1 is inferred from other dimensions print(x.size(), y.size(), z.size())
torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])
テンソルに格納されている数値を通常の数値として取り出したい場合、.item()メソッドを使います。
x = torch.randn(1) print(x)
tensor([-2.1301])
print(x.item())
-2.130094289779663
3. テンソルとNumPyのやりとり
PyTorchがCPUで動作している場合、テンソルとNumpy arrayは割り当てられた同じメモリ領域を共有します。
3.1. テンソルからNumPy arrayの変換
テンソルからNumPy arrayの変換には.numpy()メソッドを使います。
a = torch.ones(5) print(a)
tensor([1., 1., 1., 1., 1.])
b = a.numpy() print(b)
[1. 1. 1. 1. 1.]
テンソルaに1を足したときテンソルbはこのように変化します。
テンソルaが更新されたのに合わせて、テンソルbも更新されていることがわかります。
a.add_(1) print(a)
tensor([2., 2., 2., 2., 2.])
print(b)
[2. 2. 2. 2. 2.]
3.2. NumPy Arrayからテンソルの変換
NumPy arrayからテンソルの変換には、torch.from_numpy()を使用します。
import numpy as np a = np.ones(5) b = torch.from_numpy(a) np.add(a, 1, out=a) print(a)
[2. 2. 2. 2. 2.]
print(b)
tensor([2., 2., 2., 2., 2.], dtype=torch.float64)
著者情報： 斎藤 勇哉
順天堂大学医学部 大学院医学研究科 放射線診断学講座所属脳MRI 画像解析が専門であり、テーマは①神経変性疾患の機序解明、②医用人工知能の開発、③多施設データのハーモナイゼーション、④速読が脳に与える影響や学習効果、⑤SNS解析を用いたマーケティング戦略の改善。
医療分野に関わらず、自然言語処理・スクレイピング・データ分析・Web アプリ開発を得意とし、企業や他大学の研究を支援。
主な使用言語は、Python、Shell Script、MATLAB、HTML、CSS
