[PyTroch系列-15]：PyTorch基础 - 张量的操作 - 拆分与分割

最新推荐文章于 2024-02-25 23:45:00 发布

文火冰糖的硅基工坊

最新推荐文章于 2024-02-25 23:45:00 发布

阅读量1.6w

点赞数 2

分类专栏：人工智能-PyTorch 人工智能-深度学习文章标签：深度学习 Pytorch 张量分割切分

本文链接：https://blog.csdn.net/HiWangWenBing/article/details/119489896

版权

人工智能-深度学习同时被 2 个专栏收录

206 篇文章 152 订阅

订阅专栏

人工智能-PyTorch

119 篇文章 180 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/119489896

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

不同维度张量的维度方向标识

随着张量维度的增加，张量维度的标识dim的范围也在扩宽
在张量维度扩展的过程中，维度标识值（dim=n）的含义也在发生变化。
dim=0总是指向张量的多维数组存储的最外层：[ ] [ ] [ ], 这与物理存储的标识是相反的。

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）变换内容: 变换张量元素的值。

（1）变换长度：变换张量的某个方向的长度（即向量的维度或长度），长度可增加，可减少。

（3）变换维度：变化张量的维度，维度可以增加，可减少。

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 - 拆分与分割

张量的切分有两种主要的基本策略：

在某个维度方向，平均分割：chunk()
在某个维度方向，指定分割：split()

第2章平均分割：chunk()

2.1 工作原理

张量的任意一个dim方向，都是有长度的，这个长度就是该方向上向量的维度或长度。

平均分割是把这个维度的长度，分割成几个等分的部分。

当张量dim方向的长度不能被整除时，切分后的最后一个张量块的大小会少一些。

2.2 函数描述

功能：在不改变张量的维度的情况下，在某个dim方向上，把一个长度较大的张量，分割成多个长度相同的张量。

原型：chunk(input, chunks，dim)

输入参数:

input: 输入张量

chunks：均匀分割的张量个数

dim：切分的方向

2.3 代码示例

#均匀切分
print("源张量")
a = torch.Tensor([[0,2,4,6,8,10,12,14,16,18],[1,3,5,7,9,11,13,15,17,19]])
print(a)

print("\ndim=0切分后张量")
c = torch.chunk(a,chunks=2,dim=0)
print(c[0])
print(c[1])

print("\ndim=1切分后张量")
c = torch.chunk(a,chunks=3,dim=1)
print(c[0])
print(c[1])
print(c[2])

输出：

源张量
tensor([[ 0., 2., 4., 6., 8., 10., 12., 14., 16., 18.],
[ 1., 3., 5., 7., 9., 11., 13., 15., 17., 19.]])

dim=0切分后张量
tensor([[ 0., 2., 4., 6., 8., 10., 12., 14., 16., 18.]])
tensor([[ 1., 3., 5., 7., 9., 11., 13., 15., 17., 19.]])

dim=1切分后张量
tensor([[0., 2., 4., 6.],
[1., 3., 5., 7.]])
tensor([[ 8., 10., 12., 14.],
[ 9., 11., 13., 15.]])
tensor([[16., 18.],
[17., 19.]])

备注：

dim=1的方向，长度为10，三等分的结果为：4+4+2，不是3+3+4.

这是这个函数的算法所决定的，它要最后一个张量的长度不能大于其他张量的长度。

第3章任意分割：split()

3.1 工作原理

张量的任意一个dim方向，都是有长度的，这个长度就是该方向上向量的维度或长度。

任意分割就是指定每个分块的长度，并通过[1,3,5]的形式，指明每个分块的长度和顺序。

3.2 函数描述

功能：在不改变张量的维度的情况下，在某个dim方向上，把一个长度较大的张量，按照指定的长度，依次分割成多个张量。

原型：split(input, split_size_or_sections, dim)

输入参数:

input: 输入张量

split_size_or_sections

dim：切分的方向

3.3 代码示例

#任意切分
print("源张量")
a = torch.Tensor([[0,2,4,6,8,10,12,14,16,18],[1,3,5,7,9,11,13,15,17,19]])
print(a)

print("\ndim=0切分后张量")
c = torch.split(a,split_size_or_sections=[1,1],dim=0)
print(c[0])
print(c[1])

print("\ndim=1切分后张量")
c = torch.split(a,[2,4,4],dim=1)
print(c[0])
print(c[1])
print(c[2])

输出：

源张量
tensor([[ 0.,  2.,  4.,  6.,  8., 10., 12., 14., 16., 18.],
        [ 1.,  3.,  5.,  7.,  9., 11., 13., 15., 17., 19.]])

dim=0切分后张量
tensor([[ 0.,  2.,  4.,  6.,  8., 10., 12., 14., 16., 18.]])
tensor([[ 1.,  3.,  5.,  7.,  9., 11., 13., 15., 17., 19.]])

dim=1切分后张量
tensor([[0., 2.],
        [1., 3.]])
tensor([[ 4.,  6.,  8., 10.],
        [ 5.,  7.,  9., 11.]])
tensor([[12., 14., 16., 18.],
        [13., 15., 17., 19.]])

备注：

dim=0时，长度为0，因此只能分割成[1,1]两个块。

dim=1是，长度为10，这里的分割成3个块，分割方法是：[2,4,4]。 2+4+4=10.

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

本文网址：

文火冰糖的硅基工坊

关注

2
点赞
踩
7

收藏

觉得还不错? 一键收藏
打赏
0
评论
[PyTroch系列-15]：PyTorch基础 - 张量的操作 - 拆分与分割

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing本文网址：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..
复制链接

扫一扫