当前位置：首页 > news >正文

PyTorch Tensor的创建、运算与GPU加速实战

news 2026/7/5 12:07:47

Tensor是PyTorch中最核心的数据结构，你可以把它理解为Numpy数组的升级版。想象一下，Tensor就像是一个可以放在GPU上运行的超级数组，它能帮我们快速完成各种数学运算。我第一次接触Tensor时，发现它和Numpy的ndarray非常相似，但多了一个超能力——GPU加速。

创建Tensor的方法多种多样，最基础的是使用torch.tensor()函数。比如你想把一个Python列表转换成Tensor：

import torch data = [[1, 2], [3, 4]] x = torch.tensor(data) print(x)

这里有个新手常踩的坑：如果你给的列表维度不整齐，比如[[1,2],[3]]，PyTorch会直接报错。我刚开始就犯过这个错误，调试了半天才发现是数据格式问题。

PyTorch还提供了一系列便捷的初始化函数：

zeros = torch.zeros(2, 3) # 全0矩阵 ones = torch.ones(2, 3) # 全1矩阵 rand = torch.rand(2, 3) # 0-1均匀分布随机数 randn = torch.randn(2, 3) # 标准正态分布随机数

在实际项目中，我经常用torch.randn来初始化神经网络权重。记得设置随机种子保证结果可复现：

torch.manual_seed(42) # 设置随机种子 a = torch.randn(2, 2) b = torch.randn(2, 2) print(a == b) # 每次运行结果相同

掌握了Tensor的创建方法后，我们来看看它能做什么。Tensor支持几乎所有你能想到的数学运算，而且语法非常直观。

加减乘除这些基础运算可以直接用运算符：

a = torch.tensor([1, 2, 3]) b = torch.tensor([4, 5, 6]) print(a + b) # 逐元素相加 print(a * b) # 逐元素相乘

矩阵乘法要用@或torch.matmul()：

x = torch.randn(2, 3) y = torch.randn(3, 4) z = x @ y # 矩阵乘法 print(z.shape) # 输出(2,4)

PyTorch的广播机制和Numpy一样智能。比如你想把一个向量加到矩阵的每一行上：

matrix = torch.ones(3, 4) vector = torch.arange(4) result = matrix + vector # 自动广播 print(result)

广播规则简单来说就是：从最后一个维度开始比较，要么维度大小相同，要么其中一个为1，或者其中一个维度不存在。我在实际项目中经常用广播来简化代码，避免不必要的循环。

改变Tensor形状是家常便饭，常用的方法有：

x = torch.arange(12) y = x.view(3, 4) # 改变形状 z = x.reshape(3, 4) # 功能类似view print(y.shape, z.shape)

view和reshape的主要区别在于：view要求数据在内存中是连续的，而reshape会自动处理非连续情况。如果遇到view报错，可以先用contiguous()方法。

PyTorch和Numpy可以无缝协作，这在数据处理阶段特别有用。我经常先用Numpy处理原始数据，再转成Tensor喂给模型。

a = torch.ones(3) b = a.numpy() # Tensor转Numpy print(type(b)) # <class 'numpy.ndarray'>

需要注意的是，如果Tensor在GPU上，需要先移到CPU：

if torch.cuda.is_available(): a = a.cpu().numpy()

import numpy as np arr = np.array([1, 2, 3]) tensor = torch.from_numpy(arr) # Numpy转Tensor print(tensor)

转换后的Tensor和原Numpy数组共享内存，修改一个会影响另一个。这在某些情况下会导致难以发现的bug，需要特别注意。

终于来到最激动人心的部分——GPU加速。PyTorch让GPU计算变得异常简单，这也是它深受欢迎的重要原因。

首先检查你的设备是否支持CUDA：

print(torch.cuda.is_available()) # 输出True表示可用 print(torch.cuda.device_count()) # 查看GPU数量 print(torch.cuda.get_device_name(0)) # 查看GPU型号

把Tensor放到GPU上非常简单：

device = torch.device("cuda" if torch.cuda.is_available() else "cpu") x = torch.randn(3, 3).to(device) # 移动到GPU y = torch.randn(3, 3).cuda() # 另一种写法

从GPU移回CPU：

x_cpu = x.cpu() # 移回CPU

为了获得最佳性能，可以跳过CPU直接在GPU上创建Tensor：

gpu_tensor = torch.zeros(3, 3, device='cuda')

我在训练大型模型时发现，直接在GPU上初始化参数能节省约10%的时间。对于超大规模训练，这个优化非常值得。

如果你的机器有多个GPU，可以用DataParallel轻松实现数据并行：

model = MyModel() if torch.cuda.device_count() > 1: model = torch.nn.DataParallel(model) model.to(device)

这样模型会自动把数据切分到各个GPU上并行计算。我曾经用这个方法把训练速度提高了近3倍（使用4块GPU）。

经过多次项目实践，我总结了一些Tensor操作的性能优化经验：

尽量使用内置函数：PyTorch的内置函数经过高度优化，比自己用Python实现的要快得多。
减少CPU-GPU数据传输：频繁在CPU和GPU之间拷贝数据会严重影响性能。尽量保持数据在GPU上完成所有操作。
使用原地操作：带下划线的方法（如add_()）可以节省内存：
```
a = torch.rand(3,3) a.add_(1) # 原地加1，不创建新Tensor
```
合理使用torch.no_grad()：在不需要计算梯度的场景下使用：
```
with torch.no_grad(): # 这里面的操作不会跟踪梯度 y = model(x)
```
选择合适的精度：大多数情况下float32足够用，某些场景可以尝试float16来节省内存和计算量。