深度学习笔记（自用）

import torch

# 随机生成一个2×3的张量，取出最大值和最大值对应的索引（一般做分类标签的时候预测用得上）
a = torch.randn(2, 3)
print(a)
b, c = torch.max(a, 1)
print(b)
print(c)

# 将list转为字符串
keywords_list = ['好的', '交集', '是哦就是', '上帝把', '恩德萨部分']
keywords_string = " ".join(keywords_list)
print(keywords_string)

# 错开配对
ngram_range = 2
input_list = [1, 4, 9, 5, 7, 3]
a = zip(*[input_list[i:] for i in range(ngram_range)])  # *用来解包的作用
print(list(a))

# 1×1×32取后面两维用Q[0],得到1×32，以及torch.cat的用法
import torch
Q = torch.randn(1, 1, 32)
K = torch.randn(1, 1, 32)
print(Q)
print(Q.shape)
print(Q[0].shape)
print('catshape===', torch.cat((Q[0], K[0]), 1).shape)

# F.softmax的用法
import torch
import torch.nn.functional as F

input = torch.randn(3, 4)
print("input=", input)
b = F.softmax(input, dim=0)  # 按列SoftMax,列和为1（即0维度进行归一化）
print("b=", b)

c = F.softmax(input, dim=1)  # 按行SoftMax,行和为1（即1维度进行归一化）
print("c=", c)

# unsqueeze和squeeze的用法（只对维度=1的生效）
import torch

Q = torch.randn(1, 1, 32)
print(Q.shape)
print(Q.unsqueeze(0).shape)  # 在第一维插入一个维度
print(Q.squeeze(0).shape)  # 在第一维减少一个维度

import torch

x = torch.tensor([1, 2, 3, 4])
y = torch.unsqueeze(x, 0)
print(y)
# tensor([[1, 2, 3, 4]])
z = torch.unsqueeze(x, 1)
print(z)
# tensor([[1],
#         [2],
#         [3],
#         [4]])