day23 Tensor 操作5 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

select(dim, index) –>Tensor or number 按照 index 中选定的维度将 tensor 切片。如果tensor 是一维的，则返回一个数字。否则，返回给定维度已经被移除的 tensor 。

参数：

        -- dim (int)- 切片的维度

        --index (int)- 用来选取的索引

注意：select() 等效于切片。例如， tensor.select(0, index) 等效于 tensor[index]，tensor.select(2, index) 等效于 tensor[:, :, index].

set(source=None, storage_offset=0, size=None, stride=None) 设置底层内存，大小和步长。如果 tensor 是一个 tensor，则将会与本 tensor 共享底层内存并且有相同的大小和步长。改变一个 tensor 中的元素将会反映在另一个 tensor。如果 source 是一个 Storage，则将设置底层内存，偏移量，大小和步长。

参数：

        -- source (Tensor or Storage)- 用到的 tensor 或内存

        --storage_offset (int)- 内存的偏移量

        --size (torch.Size)- 需要的大小，默认为源 tensor 的大小。

        --stride(tuple)- 需要的步长，默认为 C 连续的步长。

share_memory_() 将底层内存移到共享内存中。如果底层内存已经在共享内存中是将不进行任何操作。在共享内存中的 tensor 不能调整大小。

例子：

>>> torch.Tensor(3, 4, 5).size()
torch.Size([3, 4, 5])
sort(dim=None, descending=False) -> (Tensor, LongTensor)

storage() –>torch.Storage 返回底层内存。

storage_offset() –>int 以储存元素的个数的形式返回 tensor 在内存中的偏移量。

例子：

>>> x = torch.Tensor([1, 2, 3, 4, 5])
>>> x.storage_offset()
0
>>> x[3:].storage_offset()
3
classmethod() storage_type()

type(new_type=None, async=False) 将对象投为指定的类型。如果已经是正确的类型， 则不会进行复制并返回原对象。

参数：

        -- new_type (type or string)- 需要的类型

        -- async (bool)- 如果为 True，并且源地址在固定内存中，目的地址在 GPU 或者相反，则会相对于源主异步执行复制。否则，该参数不发挥作用。

type_as(tesnor) 将 tensor 投射为参数给定 tensor 类型并返回。如果 tensor 已经是正 确的类型则不会执行操作。等效于：self.type(tensor.type()) 参数： tensor (Tensor): 有所需要类型的 tensor

unfold(dim, size, step) –>Tensor 返回一个 tensor ，其中含有在 dim 维 tianchong 度上所有大小为 size 的分片。两个分片之间的步长为 step。如果 _sizedim_ 是 dim 维度的原始大小，则在返回 tensor 中的维度 dim 大小是 _(sizedim-size)/step+1_ 维度大小的附加维度将附加在返回的 tensor 中。

参数：

        -- dim (int)- 需要展开的维度

        -- size (int)- 每一个分片需要展开的大小

        --step (int)- 相邻分片之间的步长

例子：

>>> x = torch.arange(1, 8)
>>> x
1
2
3
4
5
6
7
[torch.FloatTensor of size 7]
>>> x.unfold(0, 2, 1) 
1 2 
2 3 
3 4 
4 5 
5 6 
6 7 
[torch.FloatTensor of size 6x2]
>>> x.unfold(0, 2, 2) 
1 2 
3 4 
5 6 
[torch.FloatTensor of size 3x2]

view(*args) –>Tensor 返回一个有相同数据但大小不同的 tensor。返回的 tensor 必须 有与原 tensor 相同的数据和相同数目的元素，但可以有不同的大小。一个 tensor 必须是连续的 contiguous() 才能被查看。

例子：

>>> x = torch.randn(4, 4)
>>> x.size()
torch.Size([4, 4])
>>> y = x.view(16)
>>> y.size()
torch.Size([16])
>>> z = x.view(-1, 8) # the size -1 is inferred from other
dimensions , →
>>> z.size()
torch.Size([2, 8])
view_as(tensor)

返回被视作与给定的 tensor 相同大小的原 tensor。等效于： self.view(tensor.size())  zero_() 用 0 填充该 tensor