【超初心者向け】PyTorchのチュートリアルを読み解く。<その１>

 

本シリーズでは，ディープラーニングを実装する際に強力な手助けをしてくれる「PyTorch」についてです。公式チュートリアルを，初心者に向けてかみ砕きながら翻訳していこうと思います。（公式ページはこちらより）

今回はNo.１で，「PyTorchとは何か？」編です。その他の記事は，こちらの「PyTorchの公式チュートリアルを初心者向けに読み解く」をご覧ください。

PyTorchとは

チュートリアル中では，以下のことが挙げられていました。

 

PyTorchのインポート

import torch

 

空のテンソル作成

x = torch.empty(5, 3)
print(x)

out:
tensor([[ 1.2089e-36,  0.0000e+00,  4.4842e-44],
        [ 0.0000e+00,         nan,  0.0000e+00],
        [ 2.1375e+20,  1.0514e-05,  6.6768e+22],
        [ 3.4154e-06,  2.1253e-07,  5.3641e-08],
        [ 2.1746e+23,  5.2062e+22, -2.0551e-02]])

空のテンソルを生成しています。チュートリアルではnanは出現していませんでしたが，私の環境では出現しました。

 

乱数生成

x = torch.rand(5, 3)
print(x)

out:
tensor([[0.3632, 0.5784, 0.2058],
        [0.8037, 0.0831, 0.1879],
        [0.4682, 0.1356, 0.5619],
        [0.5482, 0.8745, 0.8813],
        [0.2930, 0.5172, 0.2618]])

$[0,1)$の乱数を要素にもつテンソルを生成します。

 

ゼロテンソルの作成

x = torch.zeros(5, 3, dtype=torch.long)
print(x)

out:
tensor([[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]])

整数型の$0$を要素にもつテンソルを生成します。

 

テンソルを直打ちで生成

x = torch.tensor([5.5, 3])
print(x)

out:
tensor([5.5000, 3.0000])

numpyと同じような形でpythonの配列をtensorにすることができます。

 

x = x.new_ones(5, 3, dtype=torch.double)      
print(x)

x = torch.randn_like(x, dtype=torch.float)    
print(x)                                      

out:
tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]], dtype=torch.float64)
tensor([[-0.7061, -1.2102, -0.5727],
        [ 0.2896,  1.1286,  0.0940],
        [-0.9989,  0.9799,  0.8011],
        [ 1.1659, -0.2063,  1.3626],
        [-0.3563,  1.0880, -0.3853]])

xに上書きする形で$1$を要素にもつテンソルを生成してます。dtypeをdoubleで生成していすが，pythonではdoubleとfloat64は同じですので，出力ではfloat64と表示されています。randn_likeでは正規乱数を生成しています。

 

大きさの確認

print(x.size())

out:
torch.Size([5, 3])

テンソルのサイズを確認しています。出力はタプルとして扱えます。

 

テンソルの足し算

y = torch.rand(5, 3)
print(x + y)

out:
tensor([[-0.3925, -0.2433, -0.2945],
        [ 0.9040,  1.5724,  0.7819],
        [-0.9293,  1.1928,  1.4424],
        [ 1.2716,  0.0606,  1.7911],
        [ 0.4971,  1.4094,  0.2141]])

print(torch.add(x, y))

out:
tensor([[-0.3925, -0.2433, -0.2945],
        [ 0.9040,  1.5724,  0.7819],
        [-0.9293,  1.1928,  1.4424],
        [ 1.2716,  0.0606,  1.7911],
        [ 0.4971,  1.4094,  0.2141]])

ここまでは，単に足し算の結果を出力しています。以下では，足し算の結果を他のテンソルに格納します。

result = torch.empty(5, 3)
torch.add(x, y, out=result)
print(result)

out:
tensor([[-0.3925, -0.2433, -0.2945],
        [ 0.9040,  1.5724,  0.7819],
        [-0.9293,  1.1928,  1.4424],
        [ 1.2716,  0.0606,  1.7911],
        [ 0.4971,  1.4094,  0.2141]])

y.add_(x)
print(y)

y.add_(x)
print(y)

 

テンソルのスライス

print(x[:, 1])

Numpyのようにテンソルをスライスすることができます。

 

テンソルのサイズ変更

x = torch.randn(4, 4)
y = x.view(16)
z = x.view(-1, 8) 
print(x.size(), y.size(), z.size())

torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])

Numpyでいうところのreshapeがこちらのviewです。-1はしわ寄せのための引数として与えています。つまり，インデックス2番目が8となるようにインデックス1を定めてねという意味です。

 

x = torch.randn(1)
print(x)
print(x.item())

out:
tensor([-0.4215])
-0.4215209484100342

tensorからvalueを取り出すには.item()を利用します。

 

Numpyとの相互変換

a = torch.ones(5)
print(a)

out:
tensor([1., 1., 1., 1., 1.])

b = a.numpy()
print(b)

[1. 1. 1. 1. 1.]

.numpy()を利用することでtensorをnumpy型に変換することができます。

 

a.add_(1)
print(a)
print(b)

out:
tensor([2., 2., 2., 2., 2.])
[2. 2. 2. 2. 2.]

import numpy as np
a = np.ones(5)
b = torch.from_numpy(a)
np.add(a, 1, out=a)
print(a)
print(b)

out:
[2. 2. 2. 2. 2.]
tensor([2., 2., 2., 2., 2.], dtype=torch.float64)

逆に，.from_numpy()を利用してnumpy型をtensorに変換することもできます。

 

GPUの使用

if torch.cuda.is_available():
    device = torch.device("cuda")          # deviceの定義
    y = torch.ones_like(x, device=device)  # yを定義するときに直接GPUに渡してしまう
    x = x.to(device)                       # 定義してあるテンソルをGPUに渡す
    z = x + y
    print(z)
    print(z.to("cpu", torch.double))       # 後からCPUに渡すこともできる。型も変えられる。

.toを利用することでGPUにtensorを渡すことができます。CPUにも渡すことができます。