Pytorch官方指南（五） 翻译版本

torch.full

参数：

1. size，一个列表、元组，或者是定义输出Tensor大小的整数组合。
2. fill_value，输出的Tensor的填充值。
3. out，（可选）输出的Tensor。
4. **dtype **，（可选）返回的张量的所需数据类型。默认值：全局默认值。
5. layout，（可选）返回张量的所需布局。默认值：torch.stridded。
6. device，（可选）返回张量的设备类型。默认值：当前设备。
7. requires_grad，（可选）autograd是否应该在返回的张量上记录操作。默认值：False。

例子：

>>> torch.full((2, 3), 3.141592)
tensor([[ 3.1416,  3.1416,  3.1416],
        [ 3.1416,  3.1416,  3.1416]])

torch.cat

作用：

• 将两个Tensor连接起来，可以看成torch.split( )和torch.chunk( )的逆操作。

参数：

1. tensors，同一类型的任何python张量序列。非空张量必须具有相同的形状，但在cat维度中除外。
2. dim，（可选）张量连接的维数，0代表列数不变行连接，1代表行数不变列连接。
3. out，（可选）输出的Tensor。

例子：

>>> x = torch.randn(2, 3)
>>> x
tensor([[ 0.6580, -1.0969, -0.4614],
        [-0.1034, -0.5790,  0.1497]])
>>> torch.cat((x, x, x), 0)
tensor([[ 0.6580, -1.0969, -0.4614],
        [-0.1034, -0.5790,  0.1497],
        [ 0.6580, -1.0969, -0.4614],
        [-0.1034, -0.5790,  0.1497],
        [ 0.6580, -1.0969, -0.4614],
        [-0.1034, -0.5790,  0.1497]])
>>> torch.cat((x, x, x), 1)
tensor([[ 0.6580, -1.0969, -0.4614,  0.6580, -1.0969, -0.4614,  0.6580,
         -1.0969, -0.4614],
        [-0.1034, -0.5790,  0.1497, -0.1034, -0.5790,  0.1497, -0.1034,
         -0.5790,  0.1497]])

torch.chunk

作用：

• 将张量拆分为特定数量的块。
• 如果给定维度维度上的张量大小不能被块整除，则最后一个块将更小，意思就是会先满足可以满足的。

参数：

1. input，将要被分割的Tensor。
2. chunks，要切割成几块。
3. dim，切分Tensor的维度。

例子：

>>> a = torch.ones(2, 4)   # 若(2, 3), 则b的维度为(2, 2), c的维度为(2,1)
>>> b, c = torch.chunk(a, 2, 1)
>>> b, c
a： tensor([[1., 1., 1., 1.],
        [1., 1., 1., 1.]])
b： tensor([[1., 1.],
        [1., 1.]])
c： tensor([[1., 1.],
        [1., 1.]])

torch.gather

作用：

• 将原Tensor按行或者按列取出后重组一个新的Tensor。

参数：

1. input，待处理Tensor。
2. dim，索引轴，0代表按列索引取值，1代表按行索引取值。
3. index，要处理的元素的索引。
4. out，（可选）目的Tensor。
5. sparse_grad，（可选）如果为真，梯度w.r.t.输入将是稀疏张量。

例子：

>>> t = torch.tensor([[1,2],[3,4]])
>>> torch.gather(t, 1, torch.tensor([[0,0],[1,0]]))
tensor([[ 1,  1],
        [ 4,  3]])
#       
>>> t = torch.tensor([[1, 2, -1], [3, 4, 5], [5, 6, 7]])
>>> torch.gather(t, 1, torch.tensor([ [1, 0, 2], [1, 0, 2], [1, 0, 2]]))
tensor([[ 2,  1, -1],
        [ 4,  3,  5],
        [ 6,  5,  7]])

torch.index_select

作用：

• 从Tensor中按索引选出某几行或某几列，返回的是一个新的Tensor。

参数：

1. input，输入待处理Tensor。
2. dim，0-按行取；1-按列取。
3. index，包含索引到索引的一维张量（待处理Tensor对应索引值）。
4. out，（可选）输出Tensor。

例子：

>>> x = torch.randn(3, 4)
>>> x
tensor([[ 0.1427,  0.0231, -0.5414, -1.0009],
        [-0.4664,  0.2647, -0.1228, -1.1068],
        [-1.1734, -0.6571,  0.7230, -0.6004]])
>>> indices = torch.tensor([0, 2])
>>> torch.index_select(x, 0, indices)
tensor([[ 0.1427,  0.0231, -0.5414, -1.0009],
        [-1.1734, -0.6571,  0.7230, -0.6004]])
>>> torch.index_select(x, 1, indices)
tensor([[ 0.1427, -0.5414],
        [-0.4664, -0.1228],
        [-1.1734,  0.7230]])

torch.masked_select

作用：

• 按照值筛选Tensor。

参数：

1. input – 输入的Tensor。
2. mask– 包含要索引的二进制掩码的Tensor。
3. out – 输出Tensor。

例子：

>>> x = torch.randn(3, 4)
>>> x
tensor([[ 0.3552, -2.3825, -0.8297,  0.3477],
        [-1.2035,  1.2252,  0.5002,  0.6248],
        [ 0.1307, -2.0608,  0.1244,  2.0139]])
# .ge()函数，返回与x相同大小的Tensor，x中的值大于0.5的位置置1，其余位置置0。
>>> mask = x.ge(0.5) 
>>> mask
tensor([[False, False, False, False],
        [False, True, True, True],
        [False, False, False, True]])
>>> torch.masked_select(x, mask)
tensor([ 1.2252,  0.5002,  0.6248,  2.0139])

武汉加油，中国加油！！！！！