Pytorch의 Tensor 생성, Shape, 차원, 타입

  • 최초 작성일: 2025년 5월 28일 (수)

목차

  1. 텐서 생성하기
  2. 텐서의 형태(shape)와 차원
  3. 텐서 데이터 타입(dtype)
  4. NumPy와의 차이점

텐서 생성하기

파이토치의 텐서는 스칼라, 파이썬 리스트, NumPy 배열, 기존 텐서를 기반으로 생성할 수 있다. 아래 예제를 통해 확인할 수 있다.

import numpy as np
import torch

list_01 = [1, 2, 3]
ts_01 = torch.tensor(list_01)
ts_02 = torch.tensor([[1, 2, 3], [2, 3, 4]])
ts_03 = torch.tensor([[[1, 2, 3], [2, 3, 4]], [[3, 4, 5], [4, 5, 6]]])

print('ts_01:', ts_01.shape, 'ts_02 shape:', ts_02.shape, 'ts_03 shape:', ts_03.shape)

출력 결과:

ts_01: torch.Size([3]) ts_02 shape: torch.Size([2, 3]) ts_03 shape: torch.Size([2, 2, 3])

텐서의 형태(shape)와 차원

파이토치 텐서의 형태(shape)는 .shape 속성이나 .size() 메서드를 사용하여 확인할 수 있다. 두 메서드는 동일한 결과를 반환한다.

print(ts_02.shape, ts_02.size())

출력 결과:

torch.Size([2, 3]) torch.Size([2, 3])

특정 차원의 크기를 확인할 때는 다음과 같이 인덱싱하거나, .size()의 인자를 사용할 수 있다.

print(ts_02.shape[0], ts_02.shape[1], ts_02.size(0), ts_02.size(1), ts_02.size()[0])

출력 결과:

2 3 2 3 2

텐서의 차원 수만 확인하고 싶다면 .ndim 속성을 이용한다.

print(ts_02.ndim)

출력 결과:

2

텐서 데이터 타입(dtype)

텐서 내 모든 값은 동일한 데이터 타입(dtype)을 가진다. 데이터 타입은 텐서 생성 시 지정하거나, 생성 후 변환 가능하다.

ts_01 = torch.tensor([1.0, 2, 3])
print(ts_01.dtype)  # float32

# 생성 시 dtype 지정
ts_01 = torch.tensor([1, 2, 3], dtype=torch.float32)
print(ts_01.dtype)  # float32

# 타입 변환
# int32로 변환
ts_01_1 = ts_01.int()
print(ts_01_1.dtype)  # int32

# float32로 변환
ts_01_2 = ts_01.float()
print(ts_01_2.dtype)  # float32

# type() 메소드 사용
ts_01_1 = ts_01.type(torch.int64)
print(ts_01_1.dtype)  # int64

# 다른 타입으로 변환 (int8)
ts_01_2 = ts_01.type(torch.int8)
print(ts_01_2.dtype)  # int8

# to() 메소드 사용
ts_01_1 = ts_01.to(torch.int64)
print(ts_01_1.dtype)  # int64

ts_01_2 = ts_01.to(torch.int8)
print(ts_01_2.dtype)  # int8

출력 결과:

torch.float32
torch.float32
torch.int32
torch.float32
torch.int64
torch.int8
torch.int64
torch.int8

NumPy와의 차이점

NumPy 배열과 파이토치 텐서는 상당히 유사하지만 중요한 차이가 존재한다.

  • NumPy 배열은 주로 CPU에서만 연산되며 GPU 연산을 지원하지 않는다.
  • 파이토치 텐서는 CPU와 GPU 모두에서 연산 가능하며, GPU를 통해 병렬 연산을 수행하여 속도를 크게 향상시킬 수 있다.
  • 텐서는 자동 미분 기능과 같은 딥러닝에 특화된 연산들을 지원한다.

이러한 차이점으로 인해 파이토치 텐서는 딥러닝 모델 구현과 학습에 널리 사용된다.

이번 문서에서는 파이토치의 텐서 생성 방법, shape, 차원, 데이터 타입 관리에 대해 상세히 설명하고, NumPy 배열과의 주요 차이점도 함께 살펴보았다. 다음 문서에서는 텐서의 다양한 연산들에 대해 살펴볼 예정이다.