张量的索引，分片、合并以及维度调整

张量作为有序的序列，也是具备数值索引的功能，并且基本索引方法和Python原生的列表、NumPy中的数组基本一致，当然，所有不同的是，PyTorch中还定义了一种采用函数来进行索引的方式。

1 张量的符号索引

       一维张量的索引过程和Python原生对象类型的索引一致，基本格式遵循[start:end:step],索引的基本要点回顾如下。

注：张量索引出来的结果还是零维张量，而不是单独的数。要转化成单独的数，需要使用item()方法。

 注：在张量的索引中，step位必须大于0

       二维张量的索引逻辑和一维张量的索引逻辑基本相同，二维张量可以视为两个一维张量组合而成，而在实际的索引过程中，需要用逗号进行分隔，分别表示对哪个一维张量进行索引、以及具体的一维张量的索引。

 

       在二维张量索引的基础上，三维张量拥有三个索引的维度。我们将三维张量视作矩阵组成的序列，则在实际索引过程中拥有三个维度，分别是索引矩阵、索引矩阵的行、索引矩阵的列。

 

 理解：更为本质的角度去理解高维张量的索引，其实就是围绕张量的“形状”进行索引。

2 张量的函数索引

 在PyTorch中，我们还可以使用index_select函数，通过指定index来对张量进行索引。

 

       在index_select函数中，第二个参数实际上代表的是索引的维度。对于t1这个一维向量来说，由于只有一个维度，因此第二个参数取值为0，就代表在第一个维度上进行索引。

 3 tensor.view()方法

       PyTorch中的.view()方法会返回一个类似视图的结果，该结果和原张量对象共享一块数据存储空间，并且通多.view()方法，还可以改变对象结构，生成一个不同结构，但共享一个存储空间的张量。共享一个存储空间，就代表二者是“浅拷贝”的关系，修改其中一个，另一个也会同步进行更改。

 

       “视图”的作用就是节省空间，在接下来的很多切分张量的方法中，返回结果都是“视图”，而不是新生成一个对象。

4 张量的分片函数

1）分块：chunk函数

chunk函数能够按照某维度，对张量进行均匀切分，并且返回结果是原张量的视图。

 

 

当原张量不能均分时，chunk不会报错，但会返回其他均分的结果。

 2）拆分：split函数

split既能进行均分，也能进行自定义切分。返回结果也是view。

注意， 当第二个参数位输入一个序列时，序列的各数值的和必须等于对应维度下形状分量的取值。tensor的split方法和array的split方法有很大的区别，array的split方法是根据索引进行切分。

5 张量的合并操作

张量的合并操作类似于列表的追加元素，可以拼接，也可以堆叠。

1）拼接函数：cat

 

       注意理解，拼接的本质是实现元素的堆积，也就是构成a、b两个二维张量的各一维张量的堆积，最终还是构成二维向量。

2) 堆叠函数：stack

       和拼接不同，堆叠不是将元素拆分重装，而是简单的将各参与堆叠的对象分装到一个更高维度的张量里。

 注意：对比二者区别，拼接之后维度不变，堆叠之后维度升高。拼接是把一个个元素单独提取出来之后再放到二维张量中，而堆叠则是直接将两个二维张量封装到一个三维张量中，因此。堆叠的要求更高，参与堆叠的张量必须形状完全相同。

6 张量维度变换

       通过reshape方法，能够灵活调整张量的形状。而在实际操作张量进行计算时，往往需要另外进行降维和升维的操作，当我们需要除去不必要的维度时，可以使用squeeze函数，而需要手动升维时，则可采用unsqueeze函数。

 1）squeeze函数：删除不必要的维度

 

 简单理解，squeeze就相当于提出了shape返回结果中的1。

2）unsqeeze函数：手动升维