pytorch基础（二）----------张量的拼接、切片、索引以及数学运算

张量的操作

一、张量的拼接

1、torch.cat(input, dim=0, out=None)
功能：将张量按维度dim进行拼接
参数：input：要操作的张量
dim：要拼接的维度
2、torch.stack(input, dim=0, out=None)
功能：在新创建的维度上进行拼接
参数：input：要操作的张量
dim：要拼接的维度
cat和stack的区别是，cat方法不会扩展维度，而stack会扩展一个新的维度进行拼接

二、张量的切分

1、torch.chunk(input, chunks, dim=0)
功能：将张量按维度进行平均切分
返回值：张量列表
注意：若不能整除，最后一份的张量小于其他张量
参数：input：要操作的张量
chunks：要切分的份数
dim：维度
2、torch.split(input, split_size_or_sections, dim=0)
功能：将张量按维度进行切分
返回值：张量列表
参数：input：要切分的张量
split_size_or_sections：为int时，表示每一份的长度，为list时，按list元素切分
dim：维度
注意：split_size_or_sections在使用int时等于torch.chunk，在使用list时list内各元素之和要等于这个维度上长度（不等于就会报错）

三、张量的索引

1、torch.index_select(input, dim, index, out=None)
功能：在维度上，按index索引数据
返回值：索引到的所有数据拼接成新的张量输出
参数：input：要操作的张量
dim：维度
index：要索引的序号，索引的数据类型必须是torch.long
2、torch.masked_select(input, mask, out=None)
功能：按照mask中的True进行索引
返回值：：一维张量
参数：input：要操作的张量
mask：与input相同的布尔类型的张量

四、张量的变换

1、torch.reshape(input, shape)
功能：变换张量的形状
注意：当张量在内存中连续时，新张量与input共享数据内存
参数：input：要操作的张量
shape：新张量的形状
2、torch.transpose(input, dim0, dim1)
功能：交换张量的两个维度
参数：input：要操作的张量
dim0：维度1
dim1：维度2
3、torch.t(input)
功能：二维张量的转置，对于矩阵而言等同于torch.transpose(input, 0, 1)
4、torch.squeeze(input, dim=None, out=None)
功能：压缩长度为1的维度
参数：dim：如果为None，移除所有长度为1的维度；如果指定维度，当且仅当该轴长度为1时，可以被移除
5、torch.unsqueeze(input, dim, out=None)
功能：依据dim扩展维度为1的维度

五、张量的数学运算

总共可以分为三大类：加减乘除、对数指数幂函数、三角函数
下面展示的是各种数学运算的方法

介绍一下经常用到而且比较特殊的几个：
1、torch.add(input, alpha=1, other, out=None)
功能：逐元素计算，$input+alpha\ast other$
参数：input：第一个张量
alpha：乘项因子
other：第二个张量
2、torch.addcdiv(input, value=1, tensor1, tensor2, out=None)
功能：逐元素计算，$input+value\ast \frac{tensor1}{tensor2}$
3、torch.addcmul(input, value=1, tensor1, tensor2, out=None)
功能：逐元素计算，$input+value\ast tensor1\ast tensor2$