张量创建和索引and切片

 

目录

创建张量

从 numpy中创建        import from numpy

从list中创建          import from list

生成未初始化的数据

生成初始化了的数据

设置默认类型        set default type

常用api

full 方法应用

arange 方法应用

linspace 和 logspace

ones / zeros / eye 的使用

 randperm函数

索引与切片

索引

切片

起始，结束型

带步长

使用  ...    优雅~

切取某个维度数据        select by specific index

select by mask

select by flatten index

---

创建张量

从 numpy中创建        import from numpy

原来的数据类型在创建后基本保持一一对应

a=np.array([2,3.3])
print(torch.from_numpy(a))        #从numpy导入的float是double类型

b=np.ones([2,3])
print(torch.from_numpy(b))

---

从list中创建          import from list

        在数据量小的情况下可以使用

a=torch.tensor([2,3.4])
print(a)

b=torch.tensor([[2,3.4],[1,2.3]])   #使用列表创建2维张量
print(b)

---

生成未初始化的数据

几种方法

        torch.empty()        顾名思义，给出shape就能生成随机数据

        torch.Tensor()        给出shape 就能生成对应维度随机数据

        torch.IntTensor()        生成对应维度整型随机数据

        torch.FloatTensor()        生成对应维度浮点型随机数据

a=torch.empty(2,3)
print(a)

b1=torch.Tensor(2,3)
print(b1)
b2=torch.Tensor(2,3,3)
print(b2)

c=torch.IntTensor(2,3)
print(c)

d=torch.FloatTensor(2,3)
print(d)

---

生成初始化了的数据

随机初始化

        rand：从0~1之间随机取值，使数据均匀的分布在0和1之间，不包括1

        rand_like：给出一个tensor，他会把shape送进rand（）操作

        randint（min，max，[ ])：均匀采样 [min~max) 之间的数，第三个参数是它的shape

正态分布类型

        randn（），输入shape即可输出均值为0，方差为1的数 

a=torch.rand(3,3)
print(a)
b=torch.rand_like(a)
print(b)

a=torch.randint(1,9,[3,2])
print(a)

---

a=torch.randn(3,3)
print(a)

设置默认类型        set default type

 使用torch.tensor()生成的数据类型默认为FloatTensor,若要改变默认，可用下面方法

torch.set_default_tensor_type(torch.DoubleTensor)    #输入类型

---

a=torch.tensor ([1.2,3])
print(a.type())            #改变前

torch.set_default_tensor_type(torch.DoubleTensor)

b=torch.tensor ([1.2,3])
print(b.type())            #改变后

---

常用api

---

full 方法应用

torch.full（[ ],5）:表示全部用5填充数据，[ ] 表示维度

a=torch.full([2,3],5)   #将2维数据都变为5
print(a)

b=torch.full([],5)      #什么都不写表示标量，0维
print(b)

c=torch.full([2],5)     #里面写一个数字表示是一维的，size为本身
print(c)

---

arange 方法应用

arrange（起始，结束，步长）        生成等差数列

        步长默认为1，起始默认为0，不包含结束

a = torch.arange(0,14)
print(a)

b = torch.arange(4,14,2)
print(b)

---

linspace 和 logspace

linspace(1,4,steps=4 )          表示从1到4 均匀分为4块

logspace（1,4，steps=4)               表示先均匀分为 4 块得到相应数值，在对应成为 4 的幂返回

a = torch.linspace(0,10,steps=4)        #steps表示均匀分为几块
print(a)

b = torch.linspace(0,10,steps=11)
print(b)

c = torch.logspace(0,9,10)          #0~-9按一具体数值均分为10份，返回10的幂，幂为分割后的具体数值
print(c)                            #这里分割数值为1，返回10的0次到9次幂

d = torch.logspace(0,-9,10)         #0~-9按一具体数值均分为10份，返回10的幂，幂为分割后的具体数值
print(d)

---

ones / zeros / eye 的使用

        torch.ones( )        给出shape全部赋值为1

        torch.zeros( )        给出shape全部赋值为0

                 以上两种可以使用_like()方法传入一个tensor使用

        torch.eye()        给出shape或维度生成单位矩阵（对角矩阵）

a = torch.ones(2,2)    #全1
print(a)

b = torch.zeros(2,2)    #全0
print(b)

c = torch.eye(2,3)    #对角
print(c)
d = torch.eye(2)        #对角
print(d)

n = torch.ones_like(b)    #将b全1
print(n)

                                 

---

 randperm函数

torch.randperm(n)                把 [ 0~n）这些数随机打乱输出

a = torch.randperm(2)
print(a)

b=torch.randperm(2)
print(b)

---

索引与切片

与Python中的差不多

---

索引

a = torch.rand(4,3,28,28)
print(a[0].shape)            #表示1,2,3的shape 
print(a[0,0].shape)        #表示2,3维
print(a[0,0,2,3])        #表示0维，是标量

---

切片

切片就是要遵循        起始：结束：步长        原则任意切，没什么不同，就是可以多切几个

---

起始，结束型

a = torch.rand(4,3,28,28)
print(a[:2].shape)          #表示第0维有2个元素
print(a[:2,:1,:,:].shape)   #第0维2个，第一维1个
print(a[:2,1:,:,:].shape)       #第0维2个，第1维第一个到最后一个
print(a[:2,-1:,:,:].shape)       #第一维最后一个到最后一个

---

带步长

a = torch.rand(4,3,28,28)
print(a[:,:,0:28:2,0:28:2].shape)   #步长为2
print(a[:,:,::2,::2].shape)         #步长为2

---

使用  ...    优雅~

a = torch.rand(4,3,28,28)
m = a[...].shape        #全部都有
n = a[0,...].shape      #第0维第0个

o = a[:,1,...].shape    #第一维第1个
p = a[...,:2].shape     #最后一维前俩个

---

切取某个维度数据        select by specific index

a = torch.rand(4,3,28,28)
b = a.index_select(0,torch.arange(3)).shape   #取第0维的前三个
print(b)
c = a.index_select(1,torch.arange(1,2)).shape      #取第一维的第一个
print(c)
d = a.index_select(2,torch.arange(5)).shape       #取第二维的前5个
print(d)

---

select by mask

torch.masked_select(x，mask)                 相当于对X进行掩摸操作

        该函数主要用来选取x数据中的mask性质的数据，如mask=x.ge(0.5)表示选出大于0.5的所有数据，并且输出时将其转换为了1维的打平tensor数据

x = torch.randn(3,4)    #生成一个正态分布的tensor
mask = x.ge(0.5)        #条件：大于0.5的 1其余0
print(mask)
a = torch.masked_select(x,mask)     #判断X中满足条件的
print(a)
print(a.shape)

---

select by flatten index

 torch.take(a, torch.tensor([0,2,5])        表示打平后取a中索引为 0,2,5 的数据

先将张量数据打平为一个1维的张量数据（依次排序下来成为一个数据列），然后按照索引数据

a = torch.tensor([[4,3,5],
                  [6,7,8]])
b = torch.take(a,torch.tensor([0,2,5]))
print(b)