day22 Tensor 操作4 入门 一起学 PyTorch吧，PyTorch从入门开始 每天都更新 超详细 参数 常用方法 简单案列 共同学习，共同进步 坚持

index_copy_(dim, index, tensor) –>Tensor 按参数Index中的索引数确定的顺序，将参数tensor中的元素复制到原来的tensor中。参数tensor的尺寸必须严格地与原tensor匹配，否则会发生错误。

参数：

        --dim (int)- 索引 index 所指向的维度

        --index (LongTensor)- 需要从 tensor 中选取的指数

        --tensor (Tensor)- 含有被复制元素的 tensor

例子：

>>> x = torch.Tensor(3， 3)
>>> t = torch.Tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
>>> index = torch.LongTensor([0, 2, 1])
>>> x.index_copy_(0, index, t)
>>> x
1 2 3 
7 8 9 
4 5 6 
[torch.FloatTensor of size 3x3]
index_fill_(dim, index, val) -->Tensor

按参数index中的索引数确定的顺序，将原tensor用参数填充。

参数：

        --dim (int)-索引 index 所指向的维度

        --index (LongTensor)-索引

        --val (Tensor)-填充的值

例子：

>>> x = torch.Tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
>>> index = torch.LongTensor([0, 2])
>>> x.index_fill_(0, index, -1)
>>> x
-1 2 -1
-1 5 -1
-1 8 -1
[torch.FloatTensor of size 3x3]
index_select(dim, index) -->Tensor

rrow(dimension, start, length) –>Te 返回一个本 tensor 经过缩小后的 tensor 。维度dim缩小范围是start到start+length。原tensor与返回tensor共享相同的底层内存。

参数：

        --dimension (int)- 需要缩小的维度

        --start (int)- 起始维度 - length (int)-

 例子：

>>> x = torch.Tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
>>> x.narrow(0, 0, 2)
1 2 3 
4 5 6 
[torch.FloatTensor of size 2x3]
>>> x.narrow(1, 1, 2) 
2 3 
5 6 
8 9 
[torch.FloatTensor of size 3x2]

permute(dims) 将 tensor 的维度换位。

参数：

        -- dims__ (int..*)- 换位顺序

例子：

>>> x = torch.randn(2, 3, 5)
>>> x.size()
torch.Size([2, 3, 5])
>>> x.permute(2, 0, 1).size()
torch.Size([5, 2, 3])
pin_memory()

如果原来没有在固定内存中，则将 tensor 复制到固定内存中。

repeat(sizes) 沿着指定的维度重复 tensor 。不同于 expand() ，本函数复制的是 tensor中的数据。

参数：

        ---sizes (torch.Size ot int...)- 沿着每一维重复的次数

例子：

>>> x = torch.Tensor([1, 2, 3])
>>> x.repeat(4, 2) 
1 2 3 1 2 3 
1 2 3 1 2 3 
1 2 3 1 2 3
1 2 3 1 2 3 
[torch.FloatTensor of size 4x6]
>>> x.repeat(4, 2, 1).size()
torch.Size([4, 2, 3])

resize_(*sizes) 将 tensor 的大小调整为指定的大小。如果元素个数比当前的内存大小大，就将底层存储大小调整为与新元素数目一致的大小。如果元素个数比当前内存小，则底层存储不会被改变。原来tensor中被保存下来的元素将保持不变，但新内存将不会被初始化。

参数：

        --sizes (torch.Size or int...)- 需要调整的大小

例子：

>>> x = torch.Tensor([[1, 2], [3, 4], [5, 6]])
>>> x.resize_(2, 2)
>>> x
1 2 
3 4 
[torch.FloatTensor of size 2x2]

scatter_(input, dim, index, src) –>Tensor 将 src 中的所有值按照 index 确定的索引写入本tensor中。其中索引是根据给定dimension,dim按照gather()描述的规则来确定。

注意，index的值必须是在_0_到(self.size(dim)-1)_之间。

参数：

        --input (Tensor)- 源 tensor

        --dim (int)- 索引的轴向

        --index (LongTensor)- 散射元素的索引指数

        --src (Tensor or float)- 散射的源元素

例子：

>>> x = torch.rand(2, 5)
>>> x
0.4319 0.6500 0.4080 0.8760 0.2355
0.2609 0.4711 0.8486 0.8573 0.1029
[torch.FloatTensor of size 2x5]

>>> torch.zeros(3, 5).scatter_(0, torch.LongTensor([[0, 1,
2, 0, 0], [2, 0, 0, 1, 2]]), x) , →
0.4319 0.4711 0.8486 0.8760 0.2355
0.0000 0.6500 0.0000 0.8573 0.0000
0.2609 0.0000 0.4080 0.0000 0.1029
[torch.FloatTensor of size 3x5]

>>> z = torch.zeros(2, 4).scatter_(1,
torch.LongTensor([[2], [3]]), 1.23) , →
>>> z
0.0000 0.0000 1.2300 0.0000
0.0000 0.0000 0.0000 1.2300
[torch.FloatTensor of size 2x4]