使用 C# 入门深度学习:Pytorch 基础

教程名称:使用 C# 入门深度学习

作者:痴者工良

地址:

https://torch.whuanle.cn

1.2 Pytorch 基础

本文内容介绍 Pytorcn 的基础 API,主要是数组的创建方式和运算方式,由于相关内容跟 Numpy 比较相似,并且 Numpy 类型可以转 torch.Tensor,因此对 Numpy 感兴趣的读者可以参考笔者的其它文章:

  • Python 之 Numpy 框架入门

https://www.whuanle.cn/archives/21461

https://www.cnblogs.com/whuanle/p/17855578.html

提示:学习本文时,如果对线性代数有足够的了解,则学习效果更佳,没有线性代数基础也没关系,后面会学习到。本文会同时使用 Python 和 C# 编写示例,方便各位读者对照差异,在后续的章节学习中,基本只会使用 C# 编写示例。

基础使用

由于神经网络中的数值很多以向量或数组等形式存在,不像日常编程中的数值类型那么简单,因此打印数值信息是我们学习了解或调试程序的一种手段,下面我们来观察程序是怎么打印 Pytorch 中复杂数据类型的。

打印

下面使用 Pytorch 创建一个从 0..9 的数组,接着打印数组。

Python:

import torch x = torch.arange(10) print(x) 
tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) 

C# 版本不使用 Console.WriteLine(),而是使用官方提供的库。

using TorchSharp;  var x = torch.arange(10); x.print(style:TensorStringStyle.Default); x.print(style:TensorStringStyle.Numpy); x.print(style:TensorStringStyle.Metadata); x.print(style:TensorStringStyle.Julia); x.print(style:TensorStringStyle.CSharp); 
[10], type = Int64, device = cpu 0 1 2 3 4 5 6 7 8 9 [0, 1, 2, ... 7, 8, 9] [10], type = Int64, device = cpu [10], type = Int64, device = cpu 0 1 2 3 4 5 6 7 8 9 [10], type = Int64, device = cpu, value = long [] {0L, 1L, 2L, ... 7L, 8L, 9L} 

Python 打印的结果比较容易理解,C# 默认打印的方式比较难看,所以一般来说,可视化都使用 TensorStringStyle.Numpy 枚举。

C# 打印数值时,参数有个 string? fltFormat = "g5",表示精确度的意思,即打印的小数位数。

在 Maomi.Torch 包中提供了一些扩展方法,读者可以使用 x.print_numpy() 扩展直接打印对应风格的信息。

对于后面的章节来说,默认都引入 Python 的 torch 包名称、C# 的 TorchSharp 命名空间,后续代码示例可能会省略引入代码,读者自行引入。

基本数据类型

Pytorch 的数据类型跟我们编程语言中的基本类型不太一样,读者要注意区别。

具体详细的官方文档参考链接:

https://pytorch.org/docs/stable/tensor_attributes.html

https://pytorch.ac.cn/docs/stable/tensor_attributes.html

Pytorch 创建的数据类型以 torch.Tensor 表示,torch.Tensor 是用来处理机器学习模型中的各种数据的基础结构,包括标量、向量、矩阵以及更高维度的张量。如果笔者没理解错的话,在 Pytorch 中创建的 Tensor 对象就叫张量。开发者可以通过各种形式的数据在 Pytorch 创建 Tensor

Pytorch 创建的数据类型,都使用 Tensor 对象表示。

对于这句话的理解,建议看完本文再回头看看。

PyTorch 有十二种不同的数据类型,列表如下:

数据类型 dtype
32 位浮点数 torch.float32torch.float
64 位浮点数 torch.float64torch.double
64 位复数 torch.complex64torch.cfloat
128 位复数 torch.complex128torch.cdouble
16 位浮点数 torch.float16torch.half
16 位浮点数 torch.bfloat16
8 位整数(无符号) torch.uint8
8 位整数(有符号) torch.int8
16 位整数(有符号) torch.int16torch.short
32 位整数(有符号) torch.int32torch.int
64 位整数(有符号) torch.int64torch.long
布尔值 torch.bool

下面示范在创建一个数值全为 1 的数组时,设置数组的类型。

Python:

float_tensor = torch.ones(1, dtype=torch.float) double_tensor = torch.ones(1, dtype=torch.double) complex_float_tensor = torch.ones(1, dtype=torch.complex64) complex_double_tensor = torch.ones(1, dtype=torch.complex128) int_tensor = torch.ones(1, dtype=torch.int) long_tensor = torch.ones(1, dtype=torch.long) uint_tensor = torch.ones(1, dtype=torch.uint8) 

C#:

var float_tensor = torch.ones(1, dtype: torch.float32); var double_tensor = torch.ones(1, dtype: torch.float64); var complex_float_tensor = torch.ones(1, dtype: torch.complex64); var complex_double_tensor = torch.ones(1, dtype: torch.complex128); var int_tensor = torch.ones(1, dtype: torch.int32); ; var long_tensor = torch.ones(1, dtype: torch.int64); var uint_tensor = torch.ones(1, dtype: torch.uint8); 

在 C# 中, torch.ScalarType 枚举表示 Pytorch 的数据类型,所以可以有以下两种方式指定数据类型。

例如:

var arr = torch.zeros(3,3,3, torch.ScalarType.Float32); arr.print_numpy(); 

或:

var arr = torch.zeros(3,3,3, torch.float32); arr.print_numpy(); 

CPU 或 GPU 运算

我们知道,AI 模型可以在 CPU 下运行,也可以在 GPU 下运行,Pytorch 的数据也可以这样做,在创建数据类型时就设置绑定的设备,在运算使用会使用对应的设备进行运算。

一般使用 cpu 表示 CPU,使用 cudacuda:{显卡序号} 表示 GPU。

下面编写代码判断 Pytorch 正在使用 GPU 还是 CPU 运行。

Python:

print(torch.get_default_device()) 

C#:

 Console.WriteLine(torch.get_default_device()) 

如果当前设备支持 GPU,则使用 GPU 启动 Pytorch,否则使用 CPU 启动 Pytorch。可以通过 torch.device('cuda')torch.device('cuda:0') 指定使用 GPU 、指定使用哪个 GPU。

Python:

if torch.cuda.is_available():     print("当前设备支持 GPU")     device = torch.device('cuda')     # 使用 GPU 启动     torch.set_default_device(device)     current_device = torch.cuda.current_device()     print(f"绑定的 GPU 为:{current_device}") else:     # 不支持 GPU,使用 CPU 启动     device = torch.device('cpu')     torch.set_default_device(device)  default_device = torch.get_default_device() print(f"当前正在使用 {default_device}") 

C#:

if (torch.cuda.is_available()) {     Console.WriteLine("当前设备支持 GPU");     var device = torch.device("cuda",index:0);     // 使用 GPU 启动     torch.set_default_device(device); } else {     var device = torch.device("cpu");     // 使用 CPU 启动     torch.set_default_device(device);     Console.WriteLine("当前正在使用 CPU"); }  var default_device = torch.get_default_device(); Console.WriteLine($"当前正在使用 {default_device}"); 

C# 没有 torch.cuda.current_device() 这个方法,建议默认设置使用哪块 GPU,即设置 index 参数。

另外可以通过使用 torch.cuda.device_count() 获取设备有多少个显卡,这里不再赘述。

Pytorch 还支持针对单独的数据类型设置使用 CPU 还是 GPU,还可以让两者混合运算,这里不再赘述。

Tensor 类型

在 Pytorch 中,可以将标量、数组等类型转换为 Tensor 类型,Tensor 表示的数据结构就叫张量。

x = torch.tensor(3.0); 

基本数组

Pytorch 使用 asarray() 函数将 obj 值转换为数组,其定义如下:

torch.asarray(obj, *, dtype=None, device=None, copy=None, requires_grad=False) → Tensor 

官方 API 文档:https://pytorch.org/docs/stable/generated/torch.asarray.html#torch-asarray

obj 可以是以下之一:

  • a tensor(张量)
  • a NumPy array or a NumPy scalar(NumPy 数组或 NumPy 标量)
  • a DLPack capsule
  • an object that implements Python’s buffer protocol
  • a scalar(标量)
  • a sequence of scalars(标量序列)

笔者不会的或者本文用不到的,就不翻译了。

比如说,传入一个平常的数组类型,转换成 Pytorch 中的数组类型。

Python:

arr = torch.asarray([1,2,3,4,5,6], dtype=torch.float) print(arr) 

C#:

var arr = torch.from_array(new float[] { 1, 2, 3, 4, 5 }); arr.print(style: TensorStringStyle.Numpy); 

请注意,两种语言的版本差异有些大。

前面提到过,可以给单独的数据类型设置使用 CPU 还是 GPU。

device = torch.device("cuda",index=0) arr = torch.asarray(obj=[1,2,3,4,5,6], dtype=torch.float, device=device) print(arr) 

将数据类型转换为使用 CPU 设备:

device = torch.device("cuda",index=0) arr = torch.asarray(obj=[1,2,3,4,5,6], dtype=torch.float, device=device) arr = arr.cpu() print(arr) 

但是将数据在 GPU、CPU 之间转换,会消耗一定的性能。

生成数组

torch.zeros

用于创建一个元素全为 0 的数组,可以指定数组大小,其定义如下:

torch.zeros(*size, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor 

Python:

arr = torch.zeros(10, dtype=torch.float) print(arr) 

C#:

var arr = torch.zeros(10); arr.print(style: TensorStringStyle.Numpy); 

另外,可以指定生成的数组维度,例如下面指定生成 2*3 的多维数组。

var arr = torch.zeros(2,3, torch.float32); arr.print(style: TensorStringStyle.Numpy);  

代码为 C# 语言。

打印:

[[0, 0, 0] [0, 0, 0]] 

我们还可以生成多种维度的数组,例如下面生成一个 3*3*3 的数组:

var arr = torch.zeros(3,3,3, torch.float32); arr.print(style: TensorStringStyle.Numpy);  

为了方便理解,下面将打印结果做了格式化处理。

[ [[0, 0, 0]  [0, 0, 0]  [0, 0, 0]] [[0, 0, 0]  [0, 0, 0]  [0, 0, 0]] [[0, 0, 0]  [0, 0, 0]  [0, 0, 0]] ] 

torch.ones

创建一个全由 1 填充的数组,使用方法跟 torch.zeros 完全一致,因此这里不再赘述。

torch.empty

创建一个未初始化的数组,使用方法跟 torch.zeros 完全一致,因此这里不再赘述。

由于其没有初始化内存,因此内存区域会残留数据,元素的值不确定。

复制函数

此外,上面三个函数还有对应的原型复制函数:

torch.ones_like(input, *, dtype=None, layout=None, device=None, requires_grad=False, memory_format=torch.preserve_format) → Tensor 
torch.zeros_like(input, *, dtype=None, layout=None, device=None, requires_grad=False, memory_format=torch.preserve_format) → Tensor 
torch.empty_like(input, *, dtype=None, layout=None, device=None, requires_grad=False, memory_format=torch.preserve_format) → Tensor 

它们的作用是根据数组类型,拷贝一个相同的结构,然后填充对应值。

如下示例,复制数组相同的结构,但是填充的值为 1。

var arr = torch.ones_like(torch.zeros(3, 3, 3)); arr.print(style: TensorStringStyle.Numpy); 

该代码语言为 C#。

[ [[1, 1, 1]  [1, 1, 1]  [1, 1, 1]] [[1, 1, 1]  [1, 1, 1]  [1, 1, 1]] [[1, 1, 1]  [1, 1, 1]  [1, 1, 1]] ] 

torch.rand

torch.rand 会生成一个张量,数组会填充来自 [0,1) 区间上的均匀分布的随机数。

函数定义如下:

torch.rand(*size, *, generator=None, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False, pin_memory=False) → Tensor 

例如生成 2*3 大小的,范围在 [0,1) 区间的随机数,使用 C# 编写代码:

var arr = torch.rand(2,3); arr.print(style: TensorStringStyle.Numpy); 
[[0.60446, 0.058962, 0.65601] [0.58197, 0.76914, 0.16542]] 

由于 C# 绘制图形的库不像 Python matplotlib 简单易用,因此读者可以引用 Maomi.Torch.ScottPlot、Maomi.ScottPlot.Winforms 两个包,可以快速转换 Pytorch 类型和生成绘制窗口 。下面示范使用编写代码绘制均匀分布的随机数,方便使用 Python matplotlib 和 Maomi.ScottPlot.Winforms 框架显示图形。

Python:

import torch import matplotlib.pyplot as plt  arr = torch.rand(100, dtype=torch.float)  print(arr)  x = arr.numpy() y = x plt.scatter(x,y) plt.show() 

使用 C# 入门深度学习:Pytorch 基础

C#:

using Maomi.Torch; using Maomi.Plot; using TorchSharp;  var x = torch.rand(100);  x.print(style: TensorStringStyle.Numpy);  ScottPlot.Plot myPlot = new(); myPlot.Add.Scatter(x, x); var form = myPlot.Show(400, 300); 

使用 C# 入门深度学习:Pytorch 基础

由图可知,生成的随机数是均匀散布在 [0,1) 区间内。

torch.randn

生成具有给定形状的标准正态分布(平均值为0,方差为1)的随机样本。随机样本取值范围是[0,1)。

定义如下:

torch.randn(*size, *, generator=None, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False, pin_memory=False) → Tensor 

官方文档:https://pytorch.ac.cn/docs/stable/generated/torch.randn.html#torch.rand

由于 C# 不好绘图,这里使用 Python 编写示例:

import torch import matplotlib.pyplot as plt  arr = torch.randn(100, dtype=torch.float)  print(arr)  x = arr.numpy() y = x plt.hist(x, bins=30, alpha=0.5, color='b', edgecolor='black')  plt.show() 

x 坐标轴是数值,y 坐标轴是出现次数。

使用 C# 入门深度学习:Pytorch 基础

torch.randint

在某个区间内生成随机数。

定义如下:

torch.randint(low=0, high, size, *, generator=None, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor 

比如在 0-100 范围内生成 10 个元素,安装 5*2 结构组成,使用 C# 代码编写。

var arr = torch.randint(low: 0, high: 100, size: new int[] { 5, 2 }); arr.print(style: TensorStringStyle.Numpy); 
[[17, 46] [89, 52] [10, 89] [80, 91] [52, 91]] 

如果要生成某个区间的浮点数,则可以使用 torch.rand ,但是因为 torch.rand 生成范围是 [0,1),因此需要自行乘以倍数。例如要生成 [0,100) 的随机数。

var arr = torch.rand(size: 100, dtype: torch.ScalarType.Float32) * 100; arr.print(style: TensorStringStyle.Numpy);   

torch.arange

指定区间以及步长,均匀提取元素生成数组。

定义如下:

torch.arange(start=0, end, step=1, *, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False) → Tensor 

比如说,需要生成 [0,1,2,3,4,5,6,7,8,9] 这样的数组,可以使用:

var arr = torch.arange(start: 0, stop: 10, step: 1); arr.print(style: TensorStringStyle.Numpy); 

如果将步长改成 0.5。

var arr = torch.arange(start: 0, stop: 10, step: 0.5); 
[0.0000, 0.5000, 1.0000, 1.5000, 2.0000, 2.5000, 3.0000, 3.5000, 4.0000,         4.5000, 5.0000, 5.5000, 6.0000, 6.5000, 7.0000, 7.5000, 8.0000, 8.5000,         9.0000, 9.5000] 

数组操作和计算

在 Pytorch 中,往往使用 dim(dimension) 参数表示轴,轴就是张量的层数。

有以下数组:

[[ 1, 2, 3 ], { 4, 5, 6 ]] 

如果把 a = [1,2,3]b = [4,5,6],则:

[a,b] 

那么当我们要获取 a 时,dim(a) = 0dim(b) = 1

var arr = torch.from_array(new[,] { { 1, 2, 3 }, { 4, 5, 6 } });  arr.print(style: TensorStringStyle.Numpy);  // 打印维度 arr.shape.print();  var a = arr[0]; a.print(); var b = arr[1]; b.print(); 
[[1, 2, 3] [4, 5, 6]] [2, 3] [3], type = Int32, device = cpu 1 2 3 [3], type = Int32, device = cpu 4 5 6 

这里我们分两步理解,由于该数组是 2*3 数组,可以使用 .shape.print() 打印出来。

由于第一层有两个元素,因此可以使用 Tensor[i] 获取第一层的第 i 个元素,其中 i<2

同理,由于 a、b 的下一层都有 3 个元素,因此第二层 n<3

例如要将数组的 36 两个元素取出来。

用 C# 可以这样写,但是打印的时候不能选 TensorStringStyle.Numpy ,否则打印不出来。

var arr = torch.from_array(new[,] { { 1, 2, 3 }, { 4, 5, 6 } });  var a = arr[0, 2]; a.print(style: TensorStringStyle.CSharp); var b = arr[1, 2]; b.print(style: TensorStringStyle.CSharp); 

同理,如果数组有三层,可以这样获取 36 两个元素

var arr = torch.from_array(new[, ,] { { { 1, 2, 3 } }, { { 4, 5, 6 } } });  var a = arr[0, 0, 2]; a.print(style: TensorStringStyle.CSharp); var b = arr[1, 0, 2]; b.print(style: TensorStringStyle.CSharp); 

如果要取出一部分元素,TorchCsharp 可以使用 a[i..j] 的语法截取,示例如下。

var arr = torch.from_array(new int[] { 1, 2, 3 }); arr = arr[0..2]; arr.print(style: TensorStringStyle.Numpy); 
[1, 2] 

数组排序

Pytorch 中有一些排序函数:

sort :沿给定维度按值升序对 input 张量的元素进行排序。

argsort:它是沿指定轴的间接排序,本文不讲解。

msort:按值对 input 张量沿其第一维以升序排序。torch.msort(t) 等效于 torch.sort(t, dim=0)

sort 可以降序或升序,参数说明如下:

torch.sort(input, dim=-1, descending=False, stable=False, *, out=None) 
  • input (张量) – 输入张量。
  • dim (int,可选) – 要排序的维度
  • descending (bool,可选) – 控制排序顺序(升序或降序)
  • stable (boo,可选) – 使排序例程稳定,从而保证等效元素的顺序得以保留。

示例:

var arr = torch.arange(start: 0, stop: 10, step: 1);  // 或者使用 torch.sort(arr, descending: true) (torch.Tensor Values, torch.Tensor Indices) a1 = arr.sort(descending: true);  a1.Values.print(style: TensorStringStyle.Numpy); 
[9, 8, 7, ... 2, 1, 0] 

Values 是排序后的结果,Indices 是排序的规则。

如果数组结构比较复杂,默认不设置参数时,只有最内层数组进行排序。如下代码所示,有两层数组。

var arr = torch.from_array(new[,] { { 4, 6, 5 }, { 8, 9, 7 }, { 3, 2, 1 } });  (torch.Tensor Values, torch.Tensor Indices) a1 = arr.sort();  a1.Values.print(style: TensorStringStyle.Numpy); a1.Indices.print(style: TensorStringStyle.Numpy); 
[[4, 5, 6] [7, 8, 9] [1, 2, 3]] [[0, 2, 1] [2, 0, 1] [2, 1, 0]] 

Indices 会记录当前元素在以前的排序位置。

当设置 arr.sort(dim: 0); 时,按照第一层排序。

[[3, 2, 1] [4, 6, 5] [8, 9, 7]] [[2, 2, 2] [0, 0, 0] [1, 1, 1]] 

当设置 arr.sort(dim: 1); 时,只有里面一层排序。

[[4, 5, 6] [7, 8, 9] [1, 2, 3]] [[0, 2, 1] [2, 0, 1] [2, 1, 0]] 

当一个张量的维度比较大时,我们可以这样逐层排序。

var arr = torch.from_array(new[, ,] { { { 4, 6, 5 }, { 8, 9, 7 }, { 3, 2, 1 } } });  var dimCount = arr.shape.Length; for (int i = dimCount - 1; i >= 0; i--) {     (torch.Tensor Values, torch.Tensor Indices) a1 = arr.sort(dim: i);     arr = a1.Values;     arr.print(style: TensorStringStyle.Numpy); } 
[[[1, 2, 3]  [4, 5, 6]  [7, 8, 9]]] 

C# 多维数组没有 Python 那么方便,会要求每一层的元素个数必须一致。

例如下面的数组声明是对的:

var array = new int[, , ] {     {         { 10, 12, 11},{ 14, 15, 11 }     },     {         { 4, 6, 5 }, { 8, 9, 7 }     } }; 

如果层数元素个数不一致会报错:

使用 C# 入门深度学习:Pytorch 基础

另外要注意,C# 有多维数组和交错数组,下面是交错数组的声明方式,TorchSharp 并不支持。多维数组是数组,交错数组是数组的数组,或数组的数组的数组,要注意区分。

var array = new int[][][] {     new int[][]     {         new int[] { 1, 2, 3 },         new int[] { 4, 5, 6 },         new int[] { 7, 8, 9 }     },     new int[][]     {         new int[] { 10, 12, 11 },         new int[] { 14, 15, 13 }     } }; 

使用 C# 入门深度学习:Pytorch 基础

数组运算符

在 PyTorch 中,张量支持许多运算符,下面列举部分加以说明:

算术运算符

  • +:加法,如 a + b
  • -:减法,如 a - b
  • *:元素级乘法,如 a * b
  • /:元素级除法,如 a / b
  • //:元素级整除,如 a // b ,TorchCsharp 不支持。
  • %:取模运算,如 a % b
  • **:幂运算,如 a ** b,TorchCsharp 不支持,使用 .pow(x) 代替。

逻辑运算符

  • ==:元素级相等比较,如 a == b
  • !=:元素级不等于比较,如 a != b
  • >:元素级大于比较,如 a > b
  • <:元素级小于比较,如 a < b
  • >=:元素级大于等于比较,如 a >= b
  • <=:元素级小于等于比较,如 a <= b

位运算符

  • &:按位与运算,如 a & b
  • |:按位或运算,如 a | b
  • ^:按位异或运算,如 a ^ b
  • ~:按位取反运算,如 ~a
  • <<:按位左移,如 a << b
  • >>:按位右移,如 a >> b

索引和切片

  • [i]:索引运算符,如 a[i]
  • [i:j]:切片运算符,如 a[i:j] ,TorchCsharp 使用 a[i..j] 语法。
  • [i, j]:多维索引运算符,如 a[i, j]

例如张量每个元素的值 *10

var arr = torch.from_array(new int[] { 1, 2, 3 }); arr = arr * 10; arr.print(style: TensorStringStyle.Numpy); 
[10, 20, 30] 

此外,还有 Pytorch 还很多函数,后面的章节中会逐渐学习。

发表评论

相关文章