pytorch整理

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

代码是d2l的锚框构建

---

一、torch.meshgrid()

torch.meshgrid（）生成坐标。函数输入两个数据类型相同的一维张量。
两个输出张量的行数为第一个输入张量的元素个数，列数为第二个输入张量的元素个数，当两个输入张量数据类型不同或维度不是一维时会报错。

import torch
a=torch.tensor([3,7,9])
b=torch.tensor([0,1])
print(torch.meshgrid(a,b))

(tensor([[3, 3],
        [7, 7],
        [9, 9]]), tensor([[0, 1],
        [0, 1],
        [0, 1]]))

二、torch.stack()

b=torch.tensor([0,1,2])
a=torch.tensor([3,7,9])
print(torch.stack([a,b],dim=0))

tensor([[3, 7, 9],
        [0, 1, 2]])


print(torch.stack([a,b],dim=1))

tensor([[3, 0],
        [7, 1],
        [9, 2]])

三、repeat_interleave()

repeat_interleave是将张量中的元素沿某一维度复制n次

a=torch.tensor([[3,7,9]])
print(a.repeat_interleave(3, dim=0))

tensor([[3, 7, 9],
        [3, 7, 9],
        [3, 7, 9]])

print(a.repeat_interleave(3, dim=1))

tensor([[3, 3, 3, 7, 7, 7, 9, 9, 9]])

四、[:, None, :2]

我的理解是维度扩展，加上torch.max看的是一头雾水，但是自己找点例子就好了，是有一个广播机制在里面的

print(a)
tensor([[10, 11, 12, 13],
        [14, 15, 16, 17]])



print(b)

tensor([[ 5,  6,  7,  8],
        [ 9, 10, 11, 12],
        [13, 14, 15, 16]])
        
c=torch.max(a[:,None,:2],b[:,2:])
print(c)

tensor([[[10, 11],
         [11, 12],
         [15, 16]],

        [[14, 15],
         [14, 15],
         [15, 16]]])

print(a[:,None,:2])
tensor([[[10, 11]],

        [[14, 15]]])


print(b[:,2:])
tensor([[ 7,  8],
        [11, 12],
        [15, 16]])


再举一个例子；
print(b[:,None])
tensor([[2],
        [3],
        [4],
        [5]])
print(a)
tensor([2, 3, 4, 5])


print(b[:,None]+a)
tensor([[ 4,  5,  6,  7],
        [ 5,  6,  7,  8],
        [ 6,  7,  8,  9],
        [ 7,  8,  9, 10]])

五、clamp(min = 0)

小relu，小于0的抹去成0

六、torch.nonzero

非零元素的索引
提示：这里对文章进行总结：
例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。

七、squeeze()

压缩！
输入的数字是几就代表着在第几维度压缩或者加入（应该-。-）

八、repeat( 1, 4)

行复制1倍数，列四倍