PyTorchにおけるTensorの基本操作と型変換

PyTorchは、機械学習やディープラーニングの研究に広く使用されているライブラリです。この記事では、PyTorchでのTensorの基本的な操作と型変換について説明します。

基本的なTensorの作成と型の確認

まずは、PyTorchのTensorを作成し、そのデータ型を確認する方法から始めましょう。

import torch
import numpy as np

# 整数のTensorを作成し、データ型を確認
t = torch.tensor([1, 2, 3])
print(t.dtype)  # 出力: torch.int64

浮動小数点数のTensorへの変換

次に、整数のTensorを浮動小数点数のTensorに変換します。

# 浮動小数点数のTensorを作成し、データ型を確認
t = torch.FloatTensor([1, 2, 3])
print(t.dtype)  # 出力: torch.float32

Long型Tensorの作成

Long型のTensorを作成しますが、もし浮動小数点数が含まれている場合、それらは切り捨てられます。

# Long型のTensorを作成し、データ型を確認
t = torch.LongTensor([1.0, 2.0, 3.3])
print(t.dtype)  # 出力: torch.int64

様々な初期化方法

Tensorを特定の形状で初期化する方法はいくつかあります。

# ランダムな値、ゼロ、ワンでの初期化
print(torch.rand(2, 3))  # 0-1のランダムな値
print(torch.randn(2, 3))  # 標準正規分布に従うランダムな値
print(torch.zeros(2, 3))  # ゼロで初期化
print(torch.ones(2, 3))   # ワンで初期化

既存のTensorを模して初期化

既存のTensorと同じ形状で初期化する方法も便利です。

# 既存のTensorと同じ形状でランダム値やゼロ、ワンで初期化
print(torch.zeros_like(t))  # tと同じ形状のゼロTensor
print(torch.ones_like(t))   # tと同じ形状のワンTensor
print(torch.rand_like(t))   # tと同じ形状のランダム値Tensor

Tensorの属性とデバイス間の移動

Tensorの形状やデバイスを確認し、GPUが利用可能な場合はデバイス間でTensorを移動させる方法を見てみましょう。

# 形状とデバイスの確認
print(t.shape)  # Tensorの形状を出力
print(t.device)  # Tensorが存在するデバイスを出力

# GPUが利用可能な場合、TensorをGPUに移動
if torch.cuda.is_available():
    t = t.to("cuda")

# TensorをCPUに戻す
t = t.to("cpu")

異なるdeviceのTensorを混ぜて計算できません。

型変換とNumpy互換性

Tensorのデータ型を変換し、Numpy配列との相互変換も行います。

# データ型の変換
t.long()  # Long型に変換
t.float()  # Float型に変換

# Numpy配列との相互変換
t = torch.from_numpy(np.random.randn(3, 4))  # Numpy配列からTensorへ
t_arr = t.numpy()  # TensorからNumpy配列へ

Tensorの操作と変形

Tensorに対する基本的な算術操作や、形状の変更について説明します。

# Tensorの加算とインプレース操作
t = t + 3  # 全ての要素に3を加算
t = t.add(torch.ones(2, 3))  # t = t + 3と同じ
t.add_(torch.ones(2, 3))  # t自体を更新（「t =」が不要）

# Tensorの転置
t = t.T  # Tensorの転置

# Tensorの形状変更
t = torch.randn(12, 3, 4, 4)
t = t.view(12, 48)  # 新しい形状に変更
print(t.shape)  # 出力: torch.Size([12, 48])

# さらに形状を変更
t = t.view(1, 12, 48, 1)
t = torch.squeeze(t)  # 不要な次元を削除
print(t.shape)  # 出力: torch.Size([12, 48])

以上で、PyTorchにおけるTensorの基本的な操作と型変換についての解説を終えます。これらの基本操作をマスターすることで、より複雑なディープラーニングモデルの構築に役立てることができます。