pytorch笔记18-23数据操作（维度变换4）

索引操作

1. 索引操作

a = torch.IntTensor(4,3,28,28)
# 对第一张和第二张图片索引
a.index_select(0,torch.tensor([0,2]))
#第一个参数为哪一个维度 第二个参数要求为tensor类型的list
# ...代表任意维度
a[...].shape
# torch.Size([4, 3, 28, 28])
a[0,...].shape
# torch.Size([3, 28, 28]) 第一张图片

# select by mask
x = torch.randn(3,4)
# tensor([[-1.9093,  0.2825,  0.7315,  1.1656],
        [-0.4558,  1.3926, -0.9906,  0.4290],
        [ 1.8861,  0.8970,  0.4231,  0.8157]])
mask = x.ge(0.5)		# 标记元素大于0.5的位置为True,其他位置为0
# tensor([[False, False,  True,  True],
        [False,  True, False, False],
        [ True,  True, False,  True]])
torch.masked_select(x,mask)
# tensor([0.7315, 1.1656, 1.3926, 1.8861, 0.8970, 0.8157])

# select by flatten index，把数据打平然后索引
src = torch.tensor([[1,2,3],[4,5,6]])
torch.take(src,torch.tensor([0,2,4]))
# tensor([1, 3, 5])和index_select不同，它第一个参数是维度的选择

维度变换

2. 维度变换

   view reshape

   a = torch.rand(4,1,28,28)
   a.shape
   # torch.Size([4, 1, 28, 28])
   a.view(4,28*28)
   a.view(4,28*28).shape
   # torch.Size([4, 784])
   # 可以实现维度的任意变化，注意数据的意义
   

   squeeze(压缩) /unsqueeze(展开）

   # unsqueeze，正数在索引左侧插入，负数在在索引右侧插 入一个维度
   a.shape
   # torch.Size([4, 1, 28, 28])
   a.unsqueeze(0).shape
   # torch.Size([1, 4, 1, 28, 28])
   a.unsqueeze(-1).shape
   # torch.Size([4, 1, 28, 28, 1])
   a = torch.tensor([1.2,2.3])
   a.unsqueeze(-1)
   # tensor([[1.2000],
           [2.3000]])	# 在每一个数据后加上一个维度
   a.unaqueeze(0)
   # tensor([[1.2000, 2.3000]])	# 在每一个数据前加上一个维度
   

   example

   # 在图片的channel通道加上一个偏置
   b = torch.rand(32)
   f = torch.rand(4,32,14,14)
   b = b.unsqueeze(1).unsqueeze(1).unsqueeze(0)
   b.shape
   # torch.Size([1, 32, 1, 1])
   

   squeeze维度删减

   # 不指定维度时，删除所有size为1的维度
   b.shape	# torch.Size([1, 32, 1, 1])
   b.squeeze()	# torch.Size([32])
   # 指定维度，删除对应索引，若维度！=1，不删除也不报错
   b.squeeze(0).shape
   # torch.Size([32, 1, 1])
   b.squeeze(1).shape
   # torch.Size([1, 32, 1, 1]) 没有删除
   

   维度扩展：expand不主动填充数据，推荐使用，参数就是变化后的维度；repeat主动复制数据，参数为复制的次数

   # expand
   b.shape 	
   # torch.Size([1, 32, 1, 1])
   b.expand(4,32,14,14).shape
   # torch.Size([4, 32, 14, 14])
   b.expand(-1,32,14,14).shape
   # torch.Size([1, 32, 14, 14]) 参数-1表示保持原维度不变，懒得写了
   

   # repeat
   b.shape 	
   # torch.Size([1, 32, 1, 1])
   b.repeat(4,32,1,1).shape
   # torch.Size([4, 1024, 1, 1])
   

数据转置

3. 数据转置

   在使用view操作，会丢失数据的维度顺序关系，需要人为跟踪数据维度变化

   # a.shape	
   # torch.Size([4, 3, 32, 32]) [b,c,h,w]
   a1 = a.transpose(1,3).contiguous().view(4,3*32*32).view(4,3,32,32)
   # [b,c,w,h]
   a2 =  a.transpose(1,3).contiguous().view(4,3*32*32).view(4,32,32,3).transpose(1,3)
   # [b,c,h,w]
   torch.all(torch.eq(a,a2))	# tensor(True)
   torch.all(torch.eq(a,a1))	# tensor(False)
   

   permute/要把[b,c,h,w]变为[b,h,w,c]需要两次transpose操作，也可以直接使用permute实现任意次维度交换，其实是内部调用若干次transpose操作

   b = torch.rand(4,3,28,32)
   b.permute(0,2,3,1)
   # torch.Size([4, 28, 32, 3])