Torch常用函数详解T

torch

本笔记引用自PyTorch中文文档

包torch包含了多维疑是的数据结构及基于其上的多种数学操作。

1. 张量Tensors

torch.is_tensor(obj):

如果obj是一个pytorch张量，则返回True

torch.is_storage(obj):

如果obj是一个pytorch storage对象，则返回True

torch.numel(input):

返回input张量中的元素个数。

2. 创建操作

torch.eye(n, m=None, out=None):

返回一个2维张量，对角线为1,其它位置为0

• n (int) -行数
• m (int, optional)列数，如果为None,则默认为n
• out (Tensor, optional)

torch.from_numpy(ndarray):

将numpy.ndarray转换为Tensor，返回的张量tensor和numpy的ndarray共享同一内存空间，修改一个会导致另一个也被修改，返回的张量不能改变大小

torch.linspace(start, end, steps=100, out=None):

返回一个1维张量，包含在start和end上均匀间隔的steps个点

• start (float) -序列起点
• end (float) - 序列终点
• steps (int) - 在start与end间生成的样本数
• out (Tensor, optional) - 结果张量

torch.logspace(start, end, steps=100, out=None):

返回一个1维张量，包含在区间10exp(start)和10exp(end)上以对数刻度均匀间隔的 steps个点。

torch.ones(*sizes, out=None):

返回一个全为1的张量，形状由可变参数sizes定义

• sizes (int...) - 整数序列，定义了输出形状

torch.rand(*sizes, out=None):

返回一个张量，包含了从区间(0, 1)的均匀分布中抽取的一组随机数，形状由可变参数sizes定义。

torch.randn(*sizes, out=None):

返回一个张量，包含了从标准正态分布(mean=0, std=1)中抽取一组随机数，形状由可变参数sizes定义。

torch.randperm(n, out=None):

给定参数n，返回一个从0到n-1的随机整数排列

• n (int) - 上边界(不包含）

torch.arange(start, end, step=1, out=None):

返回一个1维张量，长度为floor((end-start)/step)，以step`为步长的一组序列值。

• start (float) - 起点
• end (float) - 终点(不包含）
• step (float) - 相邻点的间隔大小
• out (Tensor, optional)

torch.range(start, end, step=1, out=None):

还是推荐使用torch.arange()

torch.zeros(*sizes, out=None):

返回一个全为标量0的张量，形状由可变参数sizes定义

3. 索引，切片，连接，换位(Index, Slicing, Joining, Mutating)

torch.cat(inputs, dimension=0):

在给定维度上对输入的张量序列seq进行连接操作。

• inputs (sequence of Tensors)
• dimension (int optional) - 沿着此维连接张量序列

torch.chunk(tensor, chunks, dim=0):

在给定维度上将输入张量进行分块

• tensors(Tensors) - 待分场的输入张量
• chunks (int) - 分块的个数
• dim (int) - 沿着此维度

torch.gather(input, dim, index, out=None):

沿给定轴dim,将输入索引张量index指定位置的值进行聚合。

• input(Tensor) - 源张量
• dim(int) - 索引的轴
• index(LongTensor) - 聚合元素的下标
• out - 目标张量

torch.index_select(input, dim, index, out=None):

沿指定维度对输入进行切片，取index中指定的相应项，然后返回一个新的张量，返回的张量与原始张量有相同的维度(在指定轴上)，返回的张量与原始张量不共享内存空间

• input(Tensor) - 输入张量
• dim(int) - 索引的轴
• index(LongTensor) - 包含索引下标的一维张量
• out - 目标张量

torch.masked_select(input, mask, out=None):

根据掩码张量mask中的二元值，取输入张量中的指定项，将取值返回到一个新的1D张量。
张量mask须跟input张量有相同的元素数目，但形状或维度不需要相同。返回的张量不与原始张量共享内存空间

• input(Tensor) - 输入张量
• mask(ByteTensor) - 掩码张量，包含了二元索引值
• out - 目标张量

torch.nonzero(input, out=None):

返回一个包含输入input中非零元素索引的张量，输出张量中的每行包含输入中非零元素的索引
若输入input有n维，则输出的索引张量output形状为z * n, 这里z是输入张量input中所有非零元素的个数

• input(Tensor) - 输入张量
• out - 包含索引值的结果张量

torch.split(tensor, split_size, dim=0):

将输入张量分割成相等形状的chunks(如果可分)。如果沿指定维的张量形状大小不能被split_size整分，则最后一个分块会小于其它分块。

• tensor(Tensor) - 待分割张量
• split_size(int) - 单个分块的形状大小
• dim(int) - 沿着此维进行分割

torch.squeeze(input, dim=None, out=None):

将输入张量形状中的1去除并返回，如果输入是形如(A * 1 * B * 1 * C * 1 *D)，那么输出形状就为：(A * B * C * D)。
当给定dim时，则只在给定维度上进行挤压，如输入形状为(A * 1 * B)，squeeze(input, 0)，将会保持张量不变，只有用