PyTorch Tensor の基本と重要機能まとめ

1. Tensor とは？

Tensor（テンソル）は、PyTorch で数値データを扱う基本的なデータ構造です。 NumPy の ndarray に似ていますが、GPU の活用 や 自動微分（Autograd） などの機能を持つのが特徴です。

---

2. Tensor の作成方法

PyTorch Tensor の重要ポイント

• NumPy 互換：from_numpy() や .numpy() で相互変換できる
• GPU での計算が可能：tensor.to("cuda") を使う
• 自動微分対応：requires_grad=True を設定すると微分計算ができる
• メモリ効率を考えた操作：view() を使うと無駄なメモリコピーを避けられる
• データ型の変換：.float(), .int() を使って型変換が可能
• 行列演算が豊富：torch.mm(), torch.matmul(), tensor @ tensor で計算できる
• 統計処理が可能：torch.mean(), torch.std(), torch.sum() などが利用できる
• 形状変更が容易：reshape(), view(), squeeze(), unsqueeze() で調整可能
• ブロードキャスト対応：NumPy のように異なる形状の Tensor でも演算が可能

---

3. PyTorch と NumPy の違い

PyTorch と NumPy の主な違い

• PyTorch は GPU を活用できる（NumPy は CPU のみ）
• view() はメモリを共有し、reshape() はコピーを作る可能性がある
• 行列積は torch.mm()、NumPy では np.dot() や @ を使う
• PyTorch は自動微分が可能（requires_grad=True を設定）
• 乱数生成の違い：
  • torch.rand() vs np.random.rand()
  • torch.randint() vs np.random.randint()
  • torch.randn() vs np.random.randn()
• リサイズの違い
  • tensor.view(shape), tensor.reshape(shape) (PyTorch)
  • array.reshape(shape), array.resize(shape) (NumPy)
• データ型の違い
  • PyTorch: torch.float32, torch.int64
  • NumPy: np.float32, np.int64

---

4. PyTorch Tensor の基本操作

1. Tensor の作成

import torch

# 直接 Tensor を作成
tensor1 = torch.tensor([1, 2, 3])
tensor2 = torch.arange(10)  # 0~9 の整数
tensor3 = torch.zeros((5, 5))  # 5x5 のゼロ行列
tensor4 = torch.ones((3, 3))  # 3x3 の全て1の行列
tensor5 = torch.rand((2, 2))  # 2x2 のランダムな値

2. 形状変更

tensor = torch.arange(12).reshape(3, 4)  # 3行4列に変形
tensor = tensor.view(2, 6)  # 2行6列に変形（メモリ共有）
tensor = tensor.unsqueeze(0)  # 次元追加
tensor = tensor.squeeze()  # 余分な次元削除

3. 演算・行列演算

a = torch.tensor([1.0, 2.0, 3.0])
b = torch.tensor([4.0, 5.0, 6.0])

print(a + b)  # 要素ごとの加算
print(a * b)  # 要素ごとの乗算
print(torch.mm(a.view(3, 1), b.view(1, 3)))  # 行列積

4. NumPy との相互変換

import numpy as np

# NumPy -> Tensor
np_array = np.array([1, 2, 3])
tensor = torch.from_numpy(np_array)

# Tensor -> NumPy
np_array2 = tensor.numpy()

5. 自動微分

※リンク先参照

6. 平均・統計処理

arr_tensor = torch.arange(10)

# 平均
mean_value = torch.mean(arr_tensor.float())  # int のままだとエラー
print(mean_value)  # tensor(4.5000)

✅ よく使う PyTorch と NumPy の対応表

処理	PyTorch (torch)	NumPy (numpy)
配列作成	torch.tensor([1,2,3])	np.array([1,2,3])
連続数列	torch.arange(10)	np.arange(10)
すべて1	torch.ones((3,3))	np.ones((3,3))
すべて0	torch.zeros((3,3))	np.zeros((3,3))
乱数	torch.rand((3,3))	np.random.rand(3,3)
データ型変更	tensor.float()	array.astype(np.float32)
形状変更	tensor.reshape(3,3)	array.reshape(3,3)
メモリ共有リサイズ	tensor.view(3,3)	array.view()
転置	tensor.T	array.T
行列積	torch.mm(A, B)	np.dot(A, B) or A @ B
最大値	torch.max(tensor)	np.max(array)
平均	torch.mean(tensor.float())	np.mean(array)
NumPy 変換	tensor.numpy()	–
Tensor 変換	torch.from_numpy(array)	–

---

✅ まとめ

• TensorはPyTorchの基本データ構造 であり、NumPyの ndarray に似た使い方ができる。
• GPU対応 しており、高速な計算が可能。
• NumPyとの互換性が高い ため、from_numpy() や .numpy() を使用して簡単に変換できる。
• 自動微分（Autograd）機能 を備え、機械学習やディープラーニングに活用できる。
• メモリ効率を考慮したデータ管理
  • view() はメモリを共有
  • reshape() は場合によってコピーを作成するため注意が必要
• 行列演算 には torch.mm() を使用（NumPyでは np.dot()）
• 統計処理や形状変換が容易で、機械学習に適した設計
• GPUと自動微分の活用が重要 であり、計算負荷の高い処理に最適

✅ PyTorch Tensorの重要ポイント

　🟢 NumPyとの相互変換

• from_numpy() や .numpy() を使用して、PyTorch TensorとNumPy配列を簡単に相互変換できる。

　🟢 GPUでの計算が可能

• .to("cuda") を使用すると、TensorをGPU上で計算できる。

　🟢 自動微分が可能

• requires_grad=True を設定すると、微分計算が自動で行える。

　🟢 メモリ効率を考慮

• view() を使用することで、無駄なメモリコピーを防げる。

✅ PyTorchとNumPyの違い

項目	PyTorch	NumPy
GPU対応	可能（CUDAを利用）	不可
自動微分	可能（requires_grad=True）	不可
メモリ管理	view() はメモリ共有、reshape() はコピーの可能性あり	reshape() はコピーが発生することが多い
行列演算	torch.mm() を使用	np.dot() を使用