[PYTHON] Angemessene japanische Übersetzung von pytorch tensor_tutorial

%matplotlib inline

WHAT IS PYTORCH?

It’s a Python-based scientific computing package targeted at two sets of audiences:

• A replacement for NumPy to use the power of GPUs
• a deep learning research platform that provides maximum flexibility and speed

Tensors Tensors are similar to Numpy's ndarrays, with the addtion being that Tensors can also be used on GPU to accelerate computing.

Was ist PyTorch?

Pytorch ist ein Python-basiertes Produkt, das für Benutzer mit folgenden Zwecken entwickelt wurde: Es ist ein wissenschaftliches Berechnungspaket.

• Numpy Alternative, die GPU verwenden kann
• Tiefe Lernplattform, die Geschwindigkeit und Flexibilität kombiniert

Getting Started

Tensoren

Tensole ähneln Numpys ndarrays, können jedoch auf der GPU berechnet werden.

from __future__ import print_function
import torch

Construct a 5x3 matrix, uninitialized: Generieren Sie eine nicht initialisierte 5x3-Matrix

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

Construct a randomly initialized matrix:

Generieren Sie eine zufällig initialisierte Matrix

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

Construct a matrix filled zeros and of dtype long:

Generieren Sie eine lange Typmatrix, die mit Null initialisiert ist

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

Construct a tensor directly from data:

Matrix aus Daten generieren

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

or create a tensor based on an existing tensor. These methods will reuse properties of the input tensor, e.g. dtype, unless new values are provided by user

Alternativ können Sie einen Tensor aus einem vorhandenen Tensor generieren. Diese Methoden verwenden die eingegebenen Tensoreigenschaften erneut, sofern vom Benutzer nicht anders angegeben. Beispiel: Typ

x = x.new_ones(5, 3, dtype=torch.double)      # new_* methods take in sizes
print(x)

x = torch.randn_like(x, dtype=torch.float)    # override dtype!
print(x)                                      # result has the same size

Get its size:

Holen Sie sich die Größe des Tensors

print(x.size())

Operations

There are multiple syntaxes for operations. In the following example, we will take a look at the addition operation.

Addition: syntax 1

Operation

Es gibt verschiedene Verteilungen in der Operation. Die Grammatik der Addition ist unten gezeigt.

Zusatz 1

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

---------------------------------------------------------------------------

NameError                                 Traceback (most recent call last)

<ipython-input-1-3846198563ac> in <module>
----> 1 y = torch.rand(5, 3)
      2 print(x + y)


NameError: name 'torch' is not defined

Addition: syntax 2

Zusatz 2

print(torch.add(x, y))

Addition: providing an output tensor as argument

Ergänzung: Übergeben Sie den Ausgangstensor als Argument

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

Addition: in-place

Ergänzung: Vor Ort

# adds x to y
y.add_(x)
print(y)

You can use standard NumPy-like indexing with all bells and whistles!

Sie können fast jede Numpy-Indizierung verwenden! !!

print(x[:, 1])

Resizing: If you want to resize/reshape tensor, you can use torch.view:

Größe ändern: Wenn Sie die Form des Tensors ändern möchten, können Sie torch.view verwenden:

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())

If you have a one element tensor, use .item() to get the value as a Python number

Verwenden Sie .item (), um Python-Zahlen von einem Tensor mit einem Element abzurufen

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

Read later:

100+ Tensor operations, including transposing, indexing, slicing, mathematical operations, linear algebra, random numbers, etc., are described here <https://pytorch.org/docs/torch>_.

** Später lesen **

Für mehr Informationen https://pytorch.org/docs/torch

NumPy Bridge

Converting a Torch Tensor to a NumPy array and vice versa is a breeze.

The Torch Tensor and NumPy array will share their underlying memory locations (if the Torch Tensor is on CPU), and changing one will change the other.

Converting a Torch Tensor to a NumPy Array ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^

Numpy Bridge

Einfach zu konvertierender Brennertensor in Numpy Array

Fackeltensor und Numpy-Array teilen sich den Speicher (zeigerartig) Wenn Sie den Tensor ändern, ändert sich auch das Numpy-Array. Und umgekehrt

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

b = a.numpy()
print(b)

See how the numpy array changed in value.

Mal sehen, wie sich der Brennertensor ändert.

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

Converting NumPy Array to Torch Tensor ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ See how changing the np array changed the Torch Tensor automatically

Konvertieren Sie das Numpy-Array in den Brennertensor

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

All the Tensors on the CPU except a CharTensor support converting to NumPy and back.

CUDA Tensors

Tensors can be moved onto any device using the .to method.

Alle Tensoren außer CharTensor unterstützen die Konvertierung in ein Numpy-Array.

CUDA Tensors

Tensole können mit .to auf jedes Gerät verschoben werden.

# let us run this cell only if CUDA is available
# We will use ``torch.device`` objects to move tensors in and out of GPU
if torch.cuda.is_available():
    device = torch.device("cuda")          # a CUDA device object
    y = torch.ones_like(x, device=device)  # directly create a tensor on GPU
    x = x.to(device)                       # or just use strings ``.to("cuda")``
    z = x + y
    print(z)
    print(z.to("cpu", torch.double))       # ``.to`` can also change dtype together!