索引,切片,连接,换位
torch
.
cat(inputs, dimension
=0
)
-->
Tensor 在给定维度上对输入的张量序列进行连接操作。torch.cat()可以看做torch.split()和torch.chunk()的反操作。cat()函数可以通过下面例子更好的理解。
参数:
--inputs(sequence of Tensors):可以是任意相同Tensor类型的python序列
--dimension(int,optional):沿着此维连接张量序列。
例子:
>>> x = torch.randn(2, 3)
>>> x
0.5983 -0.0341 2.4918
1.5981 -0.5265 -0.8735
[torch.FloatTensor of size 2x3]
>>> torch.cat((x, x, x), 0)
0.5983 -0.0341 2.4918
1.5981 -0.5265 -0.8735
0.5983 -0.0341 2.4918
1.5981 -0.5265 -0.8735
0.5983 -0.0341 2.4918
1.5981 -0.5265 -0.8735
[torch.FloatTensor of size 6x3]
>>> torch.cat((x, x, x), 1)
0.5983 -0.0341 2.4918 0.5983 -0.0341 2.4918 0.5983
-0.0341 2.4918 , →
1.5981 -0.5265 -0.8735 1.5981 -0.5265 -0.8735 1.5981
-0.5265 -0.8735 , → [torch.FloatTensor of size 2x9]
torch
.
chunk(tensor, chunks, dim
=0
) 在给定维度(轴)上将输入张量进行分块。
参数:
--tensor(Tensor):将分块的输入张量
--chunks(int):分块的个数
--dim(int):沿着此维度进行分块
torch
.
gather(
input
, dim, index, out
=
None
)
-->
Tensor 沿给定轴dim,将输入索引张量index指定位置的值进行聚合。对一个3维张量,输出可以定义为:
1 out[i][j][k] = tensor[index[i][j][k]][j][k] # dim=0
2 out[i][j][k] = tensor[i][index[i][j][k]][k] # dim=1
3 out[i][j][k] = tensor[i][j][index[i][j][k]] # dim=3
例子:
>>> t = torch.Tensor([[1,2],[3,4]])
>>> torch.gather(t, 1, torch.LongTensor([[0,0],[1,0]]))
1 1
4 3
[torch.FloatTensor of size 2x2]
参数:
--input(Tensor):源张量
--dim(int):索引的轴
--index(LongTensor):聚合元素的下标
--out(Tensor,optional):目标张量
torch
.
index_select(
input
, dim, index, out
=
None
)
-->Tensor,然后返回到一个新的张量,返回的张量与原始张量_Tensor_有相同的维度(在指定轴上)。
返回的张量不与原始张量共享内存空间。
参数:
--input(Tensor):输入张量
--dim(int):索引的轴
--index(LongTensor):包含索引下标的一维张量
--out(Tensor,optional):目标张量
例子:
>>> x = torch.randn(3, 4)
>>> x
1.2045 2.4084 0.4001 1.1372
0.5596 1.5677 0.6219 -0.7954
1.3635 -1.2313 -0.5414 -1.8478
[torch.FloatTensor of size 3x4]
>>> indices = torch.LongTensor([0, 2])
>>> torch.index_select(x, 0, indices)
1.2045 2.4084 0.4001 1.1372
1.3635 -1.2313 -0.5414 -1.8478
[torch.FloatTensor of size 2x4]
>>> torch.index_select(x, 1, indices)
1.2045 0.4001
0.5596 0.6219
1.3635 -0.5414
[torch.FloatTensor of size 3x2]
torch
.
nonzero(
input
, out
=
None
)
-->
LongTensor 返回一个包含输入input中非零元素索引的张量。输出张量中的每行包含输入中非零元素的索引。
如果输入input有n维,则输出的索引张量output的形状为z*n,这里z是输入张量input中所有非零元素的个数。
参数:
--input(Tensro):源张量
--out(LongTensor,optional):包含索引值的结果张量
例子:
>>> torch.nonzero(torch.Tensor([1, 1, 1, 0, 1]))
0124[torch.LongTensor of size 4x1]
>>> torch.nonzero(torch.Tensor([[0.6, 0.0, 0.0, 0.0],
... [0.0, 0.4, 0.0, 0.0],
... [0.0, 0.0, 1.2, 0.0],
... [0.0, 0.0, 0.0,-0.4]]))
0 0
1 1
2 2
3 3 [torch.LongTensor of size 4x2]
torch
.
split(tensor, split_size, dim
=0
) 将输入张量分割成相等形状的chunks(如果可分)。如果沿指定维的张量形状大小不能被split_size整分,则最后一个分块会小于其他分块。
参数:
--tensor(Tensor):待分割张量
--split_size(int):单个分块的形状大小
--dim(int):沿着此维进行分割
torch
.
squeeze(
input
, dim
=
None
, out
=
None
)将输入张量形状中的1去除并返回。如果输入是形如(Ax1xBx1xCx1xD),那么输出形状就为:(A×B×C×D)当给定dim时,那么挤压操作只在给定维度上。例如,输入形状为:(A×1×B), squeeze(input, 0)将会保持张量不变,只有用squeeze(input,1),形状会变成(AxB)。
返回张量与输入张量共享内存,所以改变其中一个的内容会改变另一个。
参数:
--input(Tensor):输入张量
--dim(int,optional):如果给定,则input只会在给定维度挤压。
--out(Tensor,optional):输出张量
例子:
>>> x = torch.zeros(2,1,2,1,2)
>>> x.size()
(2L, 1L, 2L, 1L, 2L)
>>> y = torch.squeeze(x)
>>> y.size()
(2L, 2L, 2L)
>>> y = torch.squeeze(x, 0)
>>> y.size()
(2L, 1L, 2L, 1L, 2L)
>>> y = torch.squeeze(x, 1)
>>> y.size()
(2L, 2L, 1L, 2L)
torch
.
stack(sequence, dim
=0
),沿着一个新维度对输入张量序列进行连接。序列中所有的张量都应该为相同形状。
参数:
--seqequence(Sequence):待连接的张量序列。
--dim(int):插入的维度。必须介于0与待连接的张量序列数之间。
torch
.
t(
input
, out
=
None
)
-->
Tensor 输入一个矩阵(2维张量),并转置0,1维。可以被视为函数transpose(input,0,1)的简写函数。
参数:
--input(Tensor):输入张量
--out(Tensor,optional):结果张量
例子:
>>> x = torch.randn(2, 3)
>>> x
0.4834 0.6907 1.3417
-0.1300 0.5295 0.2321
[torch.FloatTensor of size 2x3]
>>> torch.t(x)
0.4834 -0.1300
0.6907 0.5295
1.3417 0.2321
[torch.FloatTensor of size 3x2]
torch.transpose
(
input, dim0, dim1,
out
=
None
)
-->Tensor返回输入矩阵input的转置。交换维度dim0和dim1.输出张量与输入张量共享内存,所以改变其中一个会导致另外一个也被修改。
参数:
--input(Tensor):输入张量
--dim0(int):转置的第一维
--dim1(int):转置的第二维
例子:
>>> x = torch.randn(2, 3)
>>> x
0.5983 -0.0341 2.4918
1.5981 -0.5265 -0.8735
[torch.FloatTensor of size 2x3]
>>> torch.transpose(x, 0, 1)
0.5983 1.5981
-0.0341 -0.5265
2.4918 -0.8735
[torch.FloatTensor of size 3x2]
torch
.
unbind(tensor, dim
=0
) 移除指定维后,返回一个元祖,包含了沿着指定维切片后的各个切片。
参数:
--tensor(Tensor):输入张量
--dim(int):删除的维度
例子:
>>> torch.unbind(torch.tensor([[1, 2, 3],
>>> [4, 5, 6],
>>> [7, 8, 9]]))
(tensor([1, 2, 3]), tensor([4, 5, 6]), tensor([7, 8, 9]))
torch
.
unsqueeze(
input
, dim, out
=
None
)返回一个新的张量,对输入的指定位置插入维度1。
返回张量与输入张量共享内存,所以改变其中一个的内容会改变另一个。
如果dim为负,则将会被转化dim+input.dim()+1参数:
--tensor(Tensor):输入张量
--dim(int):插入维度的索引
--out(Tensor,optional):结果张量
>>> x = torch.Tensor([1, 2, 3, 4])
>>> torch.unsqueeze(x, 0)
1 2 3 4
[torch.FloatTensor of size 1x4]
>>> torch.unsqueeze(x, 1)
1
2
3
4
[torch.FloatTensor of size 4x1]