02张量的操作及线性回归

一、张量的操作

1.1 张量拼接与切分

1.1.1 torch.cat()

torch.cat(tensors, dim=0, out=None)

功能: 将张量按维度dim进行拼接

• tensors: 张量序列
• dim: 要拼接的维度

t = torch.ones((2, 3))

t_0 = torch.cat([t, t], dim=0)
t_1 = torch.cat([t, t, t], dim=1)

print("t_0:{} shape:{}\nt_1:{} shape:{}".format(t_0, t_0.shape, t_1, t_1.shape))

1.1.2 torch.stack()

torch.stack(tensors, dim=0, out=None)

功能: 在新创建的维度dim上进行拼接

• tensors: 张量序列
• dim: 要拼接的维度

t = torch.ones((2, 3))

t_stack = torch.stack([t, t], dim=2)

print("\nt_stack:{} shape:{}".format(t_stack, t_stack.shape))

注意：

• cat()不会扩张张量的维度，而stack()则会
• 当dim指定为0，那么已有的维度会后移，如原(2,3)的t，t1=torch.stack([t, t], dim=0)，t1维度为(2,2,3)

1.1.3 torch.chunk()

torch.chunk(input, chunks, dim=0)

功能: 将张量按维度dim进行平均切分
返回值: 张量列表
注意事项: 若不能整除, 最后一份张量小于其他张量

• input: 要切分的张量
• chunks: 要切分的份数
• dim: 要切分的维度

a = torch.ones((2, 7))  # 7
print(a)
list_of_tensors = torch.chunk(a, dim=1, chunks=3)  # 3

for idx, t in enumerate(list_of_tensors):
    print("第{}个张量：{}, shape is {}".format(idx + 1, t, t.shape))

1.1.4 torch.split()

torch.split(tensor,split_size_or_sections, dim=0)

功能: 将张量按维度dim进行切分
返回值: 张量列表

• tensor: 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 : 要切分的维度

t = torch.ones((2, 5))

# list_of_tensors = torch.split(t, 2, dim=1)
# for idx, t in enumerate(list_of_tensors):
#     print("第{}个张量：{}, shape is {}".format(idx + 1, t, t.shape))

list_of_tensors = torch.split(t, [2, 1, 2], dim=1)
for idx, t in enumerate(list_of_tensors):
    print("第{}个张量：{}, shape is {}".format(idx+1, t, t.shape))

1.2 张量索引

1.2.1 torch.index_select()

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

功能: 在维度dim上,按index索引数据
返回值: 依index索引数据拼接的张量
注意事项：index数据类型必须是torch.long

• input: 要索引的张量
• dim: 要索引的维度
• index: 要索引数据的序号

t = torch.randint(0, 9, size=(3, 3))
idx = torch.tensor([0, 2], dtype=torch.long)
t_select = torch.index_select(t, dim=1, index=idx)
print("t:\n{}\nt_select:\n{}".format(t, t_select))

1.2.2 torch.masked_select()

torch.masked_select(input