[Tensor] 메타코드 강의 후기_챕터2: Tensor 다루기 part 2

2. Attribute : shape, dtype, device

앞서 만들어진 텐서가 어떤 모양인지, 어떤 데이터 타입인지, 어떤 디바이스(cpu, gpu)로 연결되었는지 확인할 수 있는 명령어들을 배우고자 한다. 

 

1) Tensor.shape

ex) b = torch.ones([3,4,5,5])

      b.shape

 

{[(5,5) 메트릭스] x 4개} 3개

 

2) Tensor.dtype

텐서 안에는 무조건 같은 데이터타입 사용하기. 

 

ex) a.dtype 

==> 결과

torch.int64

 

 

# pytorch 자료형 참고 

• float_tensor = torch.ones([3, 5, 5], dtype=torch.float)  #dype을 float으로 하겠다고 미리 선언
• 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)
• bool_tensor = torch.ones(1, dtype=torch.bool)
• float_tensor.dtype
  
  

3) Tensor.device

딥러닝은 오래걸리고 복잡하기 때문에 gpu가 필수적이다

cuda : nvdia 에서 만든 낮은 레벨의 하드웨어 컨트롤 프레임워크 -> 파이토치가 이걸 이용해서 gpu 사용

 

# 현재 해당 tensor가 어느 device에 있는지 확인하는 방법
a = torch.tensor([1,2,3,4,5])
a.device

# 지금 GPU를 사용할 수 있는 환경인지를 확인
torch.cuda.is_available()

# GPU 이름 체크(cuda:0에 연결된 그래픽 카드 기준)
torch.cuda.get_device_name(device=0)

# 사용 가능 GPU 개수 체크
torch.cuda.device_count()

# 텐서를 gpu에 할당하는 두가지 방법 
a = torch.tensor([1., 2., 3., 4., 5.]).cuda()
b = torch.tensor([1., 2., 3., 4., 5.]).to("cuda")
b.device

 

---

3. Tensor Aggregation : element-wise 연산, min, max, mean

텐서를 축약하는 방법들을 보고자 한다. 

1) element-wise 연산

텐서의 같은 자리 원소들끼리 산술 연산

a = torch.tensor([[1, 2], [3, 4]])

b = torch.tensor([[5, 6], [7, 8]])

print(a)

print(b)

print(a + b)

print(a - b)

print(a * b)

print(a / b)

 

#위와 같은 결과 

print(a.add(b))

print(a.sub(b))

print(a.mul(b))

print(a.div(b))

 

 

2) inplace 연산

함수 뒤에 _ 를 붙이면 자기 자신의 값을 바꾸게 된다.

연산 결과를 반환하면서 동시에 자기 자신의 데이터를 고침

 

print(a.add(b))

print(a)

print(a.add_(b))

print(a)

 

==> 결과 비교

tensor([[11, 14],
        [17, 20]])
tensor([[ 6,  8],
        [10, 12]])
tensor([[11, 14],
        [17, 20]])
tensor([[11, 14],
        [17, 20]])

 

 

3) Tensor.min(), Tensor.max() 

 

 

가장 작은 값, 큰 값을 반환해줌.

argument로 차원을 넣어주면 해당 차원에서 각각 가장 작은 값들과, 그 값들의 위치를 함께 리턴

 

a = torch.tensor([[3,1,4], [2,4,5]])

print(a)

print(a.shape)

print(a.min())  #전체에서 가장 작은것 

print(a.min(dim=0)) # 0차원 중에서 가장 작은 것 .. 자리를 비교!! 중요

print(a.min(dim=1)) # 1차원 중에서 가장 작은 것. 위치까지 

 

==> 결과 

tensor([[3, 1, 4],[2, 4, 5]])

torch.Size([2, 3])

tensor(1)

torch.return_types.min( values=tensor([2, 1, 4]), indices=tensor([1, 0, 0]))

torch.return_types.min( values=tensor([1, 2]), indices=tensor([1, 0]))

 

4) Tensor.mean()

텐서 전체 평균 혹은 차원별 평균값 리턴

a = torch.FloatTensor([[1,2,3], [4,5,6]])

print(a)

print(a.mean())

print(a.mean(dim=0)) #0차원에 대한 . 각 위치 비교 

print(a.mean(dim=1))

 

tensor([[1., 2., 3.], [4., 5., 6.]])

tensor(3.5000)

tensor([2.5000, 3.5000, 4.5000])

tensor([2., 5.])

 

---

본 게시물은 메타코드 4기 서포터즈 활동의 일환으로 작성한 게시글입니다. 

메타코드M (mcode.co.kr)