pytorch的python API略读--tensor(六）

作者：机器视觉全栈er
网站：cvtutorials.com

2.1.5 变换

变换的概念更加宽泛一点，我们这里指索引、分和合以外的tensor操作。

torch.gather：沿着某个维度对输入tensor进行变换，用法如下：

torch.gather(input, dim, index, *, sparse_grad=False, out=None) 

下面举个例子说明下：

>>> cvtutorials = torch.randn(2, 2)
>>> cvtutorials
tensor([[-0.3918, -0.3979],
        [-0.5268, -0.7679]])
>>> torch.gather(cvtutorials, 1, torch.tensor([[1, 0], [0, 1]]))
tensor([[-0.3979, -0.3918],
        [-0.5268, -0.7679]])
>>> torch.gather(cvtutorials, 0, torch.tensor([[1, 0], [0, 1]]))
tensor([[-0.5268, -0.3979],
        [-0.3918, -0.7679]])

torch.permute：返回输入tensor的一个维度层次的置换，不知道置换的概念，可以搜索下群论中的置换群的定义及置换的记号。用法如下：

torch.permute(input, dims) 

举个例子：

>>> cvtutorials = torch.randn(3, 4, 5)
>>> cvtutorials.size()
torch.Size([3, 4, 5])
>>> torch.permute(cvtutorials, (2, 1, 0)).size()
torch.Size([5, 4, 3])

torch.reshape: 对输入tensor的shape进行变换，这个函数在深度学习编程中经常用到，用法如下：

>>> cvtutorials = torch.randn(3, 4)
>>> torch.reshape(cvtutorials, (2, 6))
tensor([[ 0.3349, -1.6753, -1.9647, -1.7345, -1.5996,  0.4831],
        [ 1.3172,  0.4480, -0.4297, -0.5676,  1.2655, -0.2147]])

torch.transpose: 对tensor进行变换，如果是二维tensor，也就是矩阵中的转置，用法如下：

torch.transpose(input, dim0, dim1) 

举个例子如下：

>>> cvtutorials = torch.randn(2, 4)
>>> cvtutorials
tensor([[ 0.0692,  0.8415,  1.2454, -1.8095],
        [ 0.4224, -0.3615, -1.2436, -0.8849]])
>>> torch.transpose(cvtutorials, 0, 1)
tensor([[ 0.0692,  0.4224],
        [ 0.8415, -0.3615],
        [ 1.2454, -1.2436],
        [-1.8095, -0.8849]])

torch.tile：通过重复输入tensor的元素构造新的元素，类似matlab中的repmat，用法如下：

torch.tile(input, dims)

举个例子说明如下：

>>> cvtutorials = torch.randn(2, 4)
>>> cvtutorials
tensor([[-1.7618,  0.8413,  1.5977,  1.3316],
        [ 1.1877, -0.3684, -0.0081, -0.0878]])
>>> torch.tile(cvtutorials, (1, 2))
tensor([[-1.7618,  0.8413,  1.5977,  1.3316, -1.7618,  0.8413,  1.5977,  1.3316],
        [ 1.1877, -0.3684, -0.0081, -0.0878,  1.1877, -0.3684, -0.0081, -0.0878]])
>>> torch.tile(cvtutorials, (2, 1))
tensor([[-1.7618,  0.8413,  1.5977,  1.3316],
        [ 1.1877, -0.3684, -0.0081, -0.0878],
        [-1.7618,  0.8413,  1.5977,  1.3316],
        [ 1.1877, -0.3684, -0.0081, -0.0878]])