PyTorch가 무엇인가요?¶
Python 기반의 과학 연산 패키지로 다음과 같은 두 집단을 대상으로 합니다:
- NumPy를 대체하고 GPU의 연산력을 사용
- 최대한의 유연성과 속도를 제공하는 딥러닝 연구 플랫폼
시작하기¶
Tensors¶
Tensor는 NumPy의 ndarray와 유사할뿐만 아니라, GPU를 사용한 연산 가속도 지원합니다.
from __future__ import print_function
import torch
초기화되지 않은 5x3 행렬을 생성합니다:
x = torch.Tensor(5, 3)
print(x)
Out:
-1.1424e-17 4.5831e-41 1.9575e+18
0.0000e+00 0.0000e+00 0.0000e+00
0.0000e+00 0.0000e+00 1.4013e-45
0.0000e+00 1.4013e-45 0.0000e+00
1.4013e-45 0.0000e+00 0.0000e+00
[torch.FloatTensor of size 5x3]
무작위로 초기화된 행렬을 생성합니다:
x = torch.rand(5, 3)
print(x)
Out:
0.1317 0.9698 0.9537
0.9187 0.5609 0.6413
0.4231 0.8782 0.9856
0.3498 0.7026 0.0251
0.8396 0.1538 0.0529
[torch.FloatTensor of size 5x3]
행렬의 크기를 구합니다:
print(x.size())
Out:
torch.Size([5, 3])
Note
torch.Size 는 튜플(tuple)과 같으며, 모든 튜플 연산에 사용할 수 있습니다.
연산(Operations)¶
연산을 위한 여러가지 문법을 제공합니다. 다음 예제들을 통해 덧셈 연산을 살펴보겠습니다.
덧셈: 문법1
y = torch.rand(5, 3)
print(x + y)
Out:
0.7793 1.4013 1.7302
1.5430 1.3177 1.0800
0.6673 1.2096 1.6609
1.0681 0.9474 0.7740
1.0163 0.6280 0.4336
[torch.FloatTensor of size 5x3]
덧셈: 문법2
print(torch.add(x, y))
Out:
0.7793 1.4013 1.7302
1.5430 1.3177 1.0800
0.6673 1.2096 1.6609
1.0681 0.9474 0.7740
1.0163 0.6280 0.4336
[torch.FloatTensor of size 5x3]
덧셈: 결과 tensor를 인자로 제공
result = torch.Tensor(5, 3)
torch.add(x, y, out=result)
print(result)
Out:
0.7793 1.4013 1.7302
1.5430 1.3177 1.0800
0.6673 1.2096 1.6609
1.0681 0.9474 0.7740
1.0163 0.6280 0.4336
[torch.FloatTensor of size 5x3]
덧셈: in-place
# y에 x 더하기
y.add_(x)
print(y)
Out:
0.7793 1.4013 1.7302
1.5430 1.3177 1.0800
0.6673 1.2096 1.6609
1.0681 0.9474 0.7740
1.0163 0.6280 0.4336
[torch.FloatTensor of size 5x3]
Note
In-place로 tensor의 값을 변경하는 연산은 _ 를 접미사로 갖습니다.
예: x.copy_(y), x.t_() 는 x 를 변경합니다.
NumPy의 인덱싱 표기 방법을 사용할 수도 있습니다!
print(x[:, 1])
Out:
0.9698
0.5609
0.8782
0.7026
0.1538
[torch.FloatTensor of size 5]
크기 변경: tensor의 크기(size)나 모양(shape)을 변경하고 싶을 때, torch.view 를 사용합니다.
x = torch.randn(4, 4)
y = x.view(16)
z = x.view(-1, 8) # 사이즈가 -1인 경우 다른 차원들을 사용하여 유추합니다.
print(x.size(), y.size(), z.size())
Out:
torch.Size([4, 4]) torch.Size([16]) torch.Size([2, 8])
더 읽을거리:
전치(transposing), 인덱싱(indexing), 슬라이싱(slicing), 수학 계산, 선형 대수, 난수(random number) 등과 같은 100가지 이상의 Tensor 연산은 여기 에 설명되어 있습니다.
NumPy 변환(Bridge)¶
Torch Tensor를 NumPy 배열(array)로 변환하거나, 그 반대로 하는 것은 매우 쉽습니다.
Torch Tensor와 NumPy 배열은 저장 공간을 공유하기 때문에, 하나를 변경하면 다른 하나도 변경됩니다.
Torch Tensor를 NumPy 배열로 변환하기¶
a = torch.ones(5)
print(a)
Out:
1
1
1
1
1
[torch.FloatTensor of size 5]
b = a.numpy()
print(b)
Out:
[1. 1. 1. 1. 1.]
numpy 배열의 값이 어떻게 변하는지 확인해보세요.
a.add_(1)
print(a)
print(b)
Out:
2
2
2
2
2
[torch.FloatTensor of size 5]
[2. 2. 2. 2. 2.]
NumPy 배열을 Torch Tensor로 변환하기¶
np 배열을 변경하면 Torch Tensor의 값도 자동 변경되는 것을 확인해보세요.
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.]
2
2
2
2
2
[torch.DoubleTensor of size 5]
CharTensor를 제외한 CPU 상의 모든 Tensor는 NumPy로의 변환을 지원하며, (NumPy에서 Tensor로의) 반대 변환도 지원합니다.
CUDA Tensors¶
.cuda 메소드를 사용하여 Tensor를 GPU 상으로 옮길 수 있습니다.
# 이 코드는 CUDA가 사용 가능한 환경에서만 실행합니다.
if torch.cuda.is_available():
x = x.cuda()
y = y.cuda()
x + y
Total running time of the script: ( 0 minutes 0.002 seconds)