[PyTroch系列-13]：PyTorch基础 - 张量的操作 - 筛选、过滤

最新推荐文章于 2022-05-04 23:22:25 发布

文火冰糖的硅基工坊

最新推荐文章于 2022-05-04 23:22:25 发布

阅读量1.8w

点赞数 7

分类专栏：人工智能-深度学习人工智能-PyTorch 文章标签：深度学习 Pytorch 张量帅选过滤

本文链接：https://blog.csdn.net/HiWangWenBing/article/details/119465264

版权

人工智能-深度学习同时被 2 个专栏收录

206 篇文章 161 订阅

订阅专栏

人工智能-PyTorch

119 篇文章 187 订阅

订阅专栏

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119465264

2. 数据元素限制：clamp(input, min, max, out=None)

（1）函数说明

（2）代码示例

3. 条件帅选：where(cond, x, y)

（1）函数说明

（2）代码实例

4. 按index张量帅选：gather(input, dim, index)

（1）函数说明

（2）代码实例

（3）图形解读

5. 按index向量帅选：index_select(input, dim, Tensor index)

（1）函数说明

（2）代码实例

（3）图形解读

第6章按index向量帅选：take(input, Tensor index)

（1）函数说明

（2）代码示例

第7章按掩码进行筛选：masked_select(input, mask)

（1）函数说明

（2）代码示例

第8章输出非零元素的坐标：nonzero(input)

（1）函数说明

（2）代码示例

（3）图形解读

第1章 Tensor运算概述

1.1 概述

PyTorch提供了大量的张量运算，基本上可以对标Numpy多维数组的运算，以支持对张量的各种复杂的运算。

这些操作运算中大多是对数组中每个元素执行相同的函数运算，并获得每个元素函数运算的结果序列，这些序列生成一个新的同维度的数组。

https://www.runoob.com/numpy/numpy-linear-algebra.html

1.2 运算分类

（1）算术运算：加、减、系数乘、系数除

（2）函数运算：sin，cos

（3）取整运算：上取整、下取整

（4）统计运算：最大值、最小值、均值

（5）比较运算：大于，等于，小于、排序

（6）线性代数运算：矩阵、点乘、叉乘

1.3 张量的操作与变换

（1）变换形态

（2）变换内容

1.4 环境准备

import numpy as np
import torch
 
print("Hello World")
print(torch.__version__)
print(torch.cuda.is_available())

1.5 张量的操作 - 筛选过滤

（1）数据条件筛选：clamp(input, min, max, out=None)

（2）按索引进行筛选：

2. 数据元素限制：clamp(input, min, max, out=None)

（1）函数说明

功能：把某一张量元素映射成另一张量元素，并把张量元素的值限制在【min, max】之间。

原型：clamp(input, min, max, out=None)

参数：

input：输入张量
min：限定的最小值，小于该数值的数据都会被min替换
min：限定的最大值，大于该数值的数据都会被max替换

（2）代码示例

#  数据元素限制
a = torch.Tensor([0,1,2,3,4,5,6,7,8,9])
print("源张量")
print(a)

print("\n修剪方法1")
print(torch.clamp(a,3,7)) #输出张量元素值限制在[3,7]之间

print("\n修剪方法2")
print(a.clamp(5,6))      #输出张量元素值限制在[5,6]之间

print("\n源张量")
print(a)

输出：

源张量
tensor([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])

修剪方法1
tensor([3., 3., 3., 3., 4., 5., 6., 7., 7., 7.])

修剪方法2
tensor([5., 5., 5., 5., 5., 5., 6., 6., 6., 6.])

源张量
tensor([0., 1., 2., 3., 4., 5., 6., 7., 8., 9.])

3. 条件帅选：where(cond, x, y)

（1）函数说明

功能：把两个张量的元素映射成一个张量，张量元素的选择取决于cond限制的条件。

原型：where(cond, x, y)

参数：

cond: 映射过程中的条件
x：输入张量x
y：输入张量y

（2）代码实例

#条件帅选：
a = torch.Tensor([0,1,2,3,4])
b = torch.Tensor([5,6,7,8,9])
print("源张量")
print(a)
print(b)

print("\n映射后张量")
print(torch.where(a >= 3,a, b)) #大于a的值>=3, 取a的元素，否则取b的元素
print(torch.where(a >= 3,b, a)) #大于a的值>=3, 取b的元素，否则取a的元素

print("\n源张量")
print(a)
print(b)

输出：

源张量
tensor([0., 1., 2., 3., 4.])
tensor([5., 6., 7., 8., 9.])

映射后张量
tensor([5., 6., 7., 3., 4.])
tensor([0., 1., 2., 8., 9.])

源张量
tensor([0., 1., 2., 3., 4.])
tensor([5., 6., 7., 8., 9.])

备注说明：

当张量a的元素值>=3时，采用a的元素映射，否则，采用b的元素映射。
映射前后，不改变源张量的数值。

4. 按index张量帅选：gather(input, dim, index)

（1）函数说明

功能：

原型：gather(input, dim, index)

参数：

input：输入张量
dim：指定帅选的方向。
index：指定index，由index构成一个张量，index可以重复、可以不按照原先张量的index顺序。

（2）代码实例

# 按index张量帅选
a = torch.Tensor([[0,1,2,3,4],[5,6,7,8,9]])
print("源张量")
print(a)

print("\n映射后张量")
print(torch.gather(a,dim=1,index=torch.tensor([[0,2,3],[1,1,2]])))

输出：

源张量
tensor([[0., 1., 2., 3., 4.],
        [5., 6., 7., 8., 9.]])

映射后张量
tensor([[0., 2., 3.],
        [6., 6., 7.]])

（3）图形解读

备注：

gather需要指明每个需要映射的位置，包含行和列

5. 按index向量帅选：index_select(input, dim, Tensor index)

（1）函数说明

功能：根据指定的（dim，index列表）参数，从已有的张量中，选择部分张量元素，映射成一个新的张量。

原型：index_select(input, dim, index)

参数：

input：输入张量
dim：指定帅选的方向。
index：指定index，由index构成一个向量，index可以重复、可以不按照原先张量的index顺序。

（2）代码实例

# 按index向量帅选
a = torch.Tensor([[0,1,2,3,4],[5,6,7,8,9]])
print("源张量")
print(a)

print("\n映射后")
print(torch.index_select(a,dim=1,index=torch.tensor([0,3,1,1])))

输出：

源张量
tensor([[0., 1., 2., 3., 4.],
        [5., 6., 7., 8., 9.]])

映射后
tensor([[0., 3., 1., 1.],
        [5., 8., 6., 6.]])

备注：

次案例是按照dim=1的方向进行挑选
被挑选的张量元素的index顺序为：[0., 3., 1., 1.]
可以不按照原先张量的顺序，如0. 3，1
可以重复元素，如1,1
映射后的张量元素通常被原先的张量元素个数要少

（3）图形解读

第6章按index向量帅选：take(input, Tensor index)

（1）函数说明

功能：按掩码进行筛选，把掩码为true的值帅选出来。

原型：take(input, Tensor index)

参数：

input：输入张量
index：index向量，参数中没有dim，因此这里的index是把整个张量转换成一维向量之后的索引值。这是与index_select（）的区别。

（2）代码示例

# 按index向量帅选
a = torch.Tensor([[0,1,2,3,4],[5,6,7,8,9]])
print("源张量")
print(a)

print("\n映射后张量")
print(torch.take(a,index=torch.tensor([0,3,3,9])))

输出：

源张量
tensor([[0., 1., 2., 3., 4.],
        [5., 6., 7., 8., 9.]])

映射后张量
tensor([0., 3., 3., 9.])

第7章按掩码进行筛选：masked_select(input, mask)

（1）函数说明

功能：按掩码进行筛选，把掩码为true的值帅选出来。

原型：masked_select(input, mask)

参数：

input：输入张量
mask：掩码张量

（2）代码示例

# 按掩码进行筛选
a = torch.Tensor([[0,1,2,10,4],[5,6,7,8,9]])
print("源张量：")
print(a)

print("\nMask张量：") #构建mask张量
mask = torch.gt(a, 6) # mask是一个值为True或false的张量
print(mask)

print("\n映射后张量：")
print(torch.masked_select(a, mask)) #映射后为1维度向量

输出：

源张量：
tensor([[ 0.,  1.,  2., 10.,  4.],
        [ 5.,  6.,  7.,  8.,  9.]])

Mask张量：
tensor([[False, False, False,  True, False],
        [False, False,  True,  True,  True]])

映射后张量：
tensor([10.,  7.,  8.,  9.])

第8章输出非零元素的坐标：nonzero(input)

（1）函数说明

功能：输出张量中所有非0元素对应的坐标，非常适合了解稀疏矩阵的非零元素的坐标。

原型：nonzero(input)

参数：

input：输入张量

输出：

输出值张量
每个坐标值是一个张量，维度与input的维度相同
所有的输出值，又组成一个更高维度的张量。

（2）代码示例

# 输出非零元素的坐标
a = torch.Tensor([[0,1,0,0,4],[5,0,0,0,9]])
print("源张量")
print(a)

print("\n映射后张量")
print(torch.nonzero(a))

输出：

源张量
tensor([[0., 1., 0., 0., 4.],
        [5., 0., 0., 0., 9.]])

映射后张量
tensor([[0, 1],
        [0, 4],
        [1, 0],
        [1, 4]])

（3）图形解读

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119465264

文火冰糖的硅基工坊

关注

7
点赞
踩
15

收藏

觉得还不错? 一键收藏
打赏
0
评论
[PyTroch系列-13]：PyTorch基础 - 张量的操作 - 筛选、过滤

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing本文网址：目录第1章 Tensor运算概述1.1 概述1.3 张量的操作与变换1.4环境准备1.52. 数据元素限制：clamp(input, min, max, out=None)（1）函数说明（2）代码示例3. 条件帅选：where(cond, x, y)（1）函数说明（2）代码实例4. 按index张量帅选：gather(input...
复制链接

扫一扫