Tensor(Pytouch 기초)

data = [ [1, 2], [3, 4], [5, 6] ] data # [[1, 2], [3, 4], [5, 6]] type(data) # list data = [ [1, 2], [3, 4], [5, 6] ] data_tensor = torch.tensor(data) data_tensor # tensor([[1, 2], # [3, 4], # [5, 6]]) data_tensor.shape # torch.Size([3, 2]) type(data_tensor) # torch.Tensor

arr = np.array(data) # 리스트나 다른 데이터로부터 numpy 배열을 생성 arr # 생성된 numpy 배열을 출력 # array([[1, 2], # [3, 4], # [5, 6]]) type(arr) # 배열의 타입을 확인 (numpy.ndarray) # numpy.ndarray arr.shape # 배열의 형상(shape)을 확인 (3행 2열) # (3, 2) arr = np.array(data) # numpy 배열을 다시 생성 arr_tensor = torch.from_numpy(arr) # numpy 배열을 PyTorch 텐서로 변환 print(f'Numpy arr value: \n {arr} \n') # 변환 전의 numpy 배열을 출력 print(f'Tensor arr_tensor value: \n {arr_tensor}') # 변환된 PyTorch 텐서를 출력 # Numpy arr value: # [[1 2] # [3 4] # [5 6]] # Tensor arr_tensor value: # tensor([[1, 2], # [3, 4], # [5, 6]]) np.multiply(arr, 2, out=arr) # numpy 배열의 값을 2배로 곱한 결과를 다시 arr에 저장 print(f'Numpy arr after * 2 operation: \n {arr} \n') # 값이 2배로 변경된 numpy 배열을 출력 print(f'Tensor arr_tensor value after modifying numpy array: \n {arr_tensor}') # numpy 배열을 수정한 후 PyTorch 텐서의 값을 출력 (동기화됨) # Numpy arr after * 2 operation: # [[ 2 4] # [ 6 8] # [10 12]] # Tensor arr_tensor value after modifying numpy array: # tensor([[ 2, 4], # [ 6, 8], # [10, 12]])

x_ones = torch.ones_like(data_tensor) # ones_like()는 입력 텐서와 같은 속성(shape, dtype)을 유지하면서, 모든 값이 1인 새로운 텐서를 생성하는 메소드. # 파라미터: data_tensor (입력 텐서) x_ones # 생성된 1로 채워진 텐서를 출력 # tensor([[1, 1], # [1, 1], # [1, 1]]) x_rand = torch.rand_like(data_tensor, dtype=torch.float) # rand_like()는 입력 텐서와 같은 속성을 유지하면서, 0과 1 사이의 랜덤 값을 가지는 텐서를 생성하는 메소드. # 여기서는 dtype 파라미터를 통해 data_tensor의 dtype을 float으로 변경함. # 파라미터: data_tensor (입력 텐서), dtype=torch.float (데이터 타입을 float로 변경) x_rand # 생성된 랜덤 값 텐서를 출력 # tensor([[0.9301, 0.7648], # [0.3103, 0.4384], # [0.1406, 0.5453]])

shape = (2,3,) rand_tensor = torch.rand(shape) # shape에 맞는 0 ~ 1 사이의 랜덤 값을 가진 텐서를 생성한다. rnad_normal_tensor = torch.randn(shape) # shape에 맞는 가우시안 정규분포를 따르는 랜덤 값을 가진 텐서를 생성한다. ones_tensor = torch.ones(shape) # shape에 맞는 값이 1로 채워진 텐서를 생성한다. zeros_tensor = torch.zeros(shape) # shape에 맞는 값이 0으로 채워진 텐서를 생성한다. empty_tensor = torch.empty(shape) # shape에 맞는 초기화되지 않은 텐서를 생성한다. print(f"Random Tensor: \n {rand_tensor} \n") # 0 ~ 1 사이의 숫자를 랜덤으로 생성한다. print(f"Random Normal Distribution Tensor: \n {rnad_normal_tensor} \n") # 0 ~ 1 사이의 숫자를 가우시안 정규분포를 이용해 생성한다. print(f"Ones Tensor: \n {ones_tensor} \n") # 값이 1로 채워진 텐서를 출력한다. print(f"Zeros Tensor: \n {zeros_tensor}") # 값이 0으로 채워진 텐서를 출력한다. print(f"Real Random Tensor: \n {empty_tensor}") # 특정한 값으로 초기화를 하지 않는 텐서를 출력한다.

Random Tensor: tensor([[0.1029, 0.8244, 0.2781], [0.9225, 0.4911, 0.8592]]) Random Normal Distribution Tensor: tensor([[-0.5644, 0.4101, -0.1552], [-0.3740, -1.0619, 0.1369]]) Ones Tensor: tensor([[1., 1., 1.], [1., 1., 1.]]) Zeros Tensor: tensor([[0., 0., 0.], [0., 0., 0.]]) Real Random Tensor: tensor([[1.4013e-45, 0.0000e+00, 1.5849e-42], [0.0000e+00, 1.4013e-44, 0.0000e+00]])

tensor = torch.rand(3,4) print(f"Shape of tensor: {tensor.shape}") print(f"Datatype of tensor: {tensor.dtype}") print(f"Device tensor is stored on: {tensor.device}") # Shape of tensor: torch.Size([3, 4]) # Datatype of tensor: torch.float32 # Device tensor is stored on: cpu

# torch.cuda.is_available(): CUDA(GPU)가 사용 가능한지 여부를 확인하는 함수. # 사용 가능한 GPU가 있으면 True를 반환하고, 그렇지 않으면 False를 반환한다. if torch.cuda.is_available(): # tensor.to('cuda'): 텐서를 GPU로 이동시키는 메서드. # 'cuda'는 GPU 디바이스를 의미하며, CPU에서 GPU로 연산을 옮긴다. tensor = tensor.to('cuda') # tensor.device: 해당 텐서가 위치한 디바이스(CPU 또는 GPU)를 반환. # 이 값은 'cpu' 또는 'cuda'로 나올 수 있다. tensor.device # device(type='cpu')

torch.cat((t1, t2), dim=0) # dim=0 (행 방향)으로 텐서를 이어붙이기 tensor([[1, 2], [3, 4], [5, 6], [7, 8]]) torch.cat((t1, t2), dim=1) # dim=1 (열 방향)으로 텐서를 이어붙이기 tensor([[1, 2, 5, 6], [3, 4, 7, 8]]) # dim=0으로 쌓기 (새로운 첫 번째 차원을 만들어서 텐서를 쌓는다) stack_dim0 = torch.stack((t1, t2), dim=0) # 결과 텐서는 2x2x2 크기를 가진다. tensor([[[1, 2], [3, 4]], [[5, 6], [7, 8]]]) # dim=1으로 쌓기 (두 번째 차원을 기준으로 텐서를 쌓는다) stack_dim1 = torch.stack((t1, t2), dim=1) # 결과 텐서는 2x2x2 크기를 가진다. tensor([[[1, 2], [5, 6]], [[3, 4], [7, 8]]])

import torch a = torch.tensor([[1, 2], [3, 4]]) b = torch.tensor([[5, 6], [7, 8]]) result = torch.mm(a, b) print(result) # 출력: [[19, 22], # [43, 50]]

a = torch.tensor([[1, 2], [3, 4]]) b = torch.tensor([[5, 6], [7, 8]]) result = torch.mul(a, b) print(result) # 출력: [[ 5, 12], # [21, 32]]

import torch # 하나의 요소만을 가진 텐서 x = torch.tensor([42.0]) # 값을 추출 value = x.item() print(value) # 42.0 출력

import torch # 텐서 생성 x = torch.tensor([1.0, 2.0, 3.0]) # In-place 덧셈 연산 x.add_(5) # x의 각 요소에 5를 더함 print(x) # tensor([6.0, 7.0, 8.0]) 출력