Pytorch学习笔记

第一周学习笔记整理(2)

Lesson 2.张量的索引、分片、合并以及维度调整

import torch
import numpy as np
#一维张量索引
t1 = torch.arange(1, 11)
print(t1[0].item()) #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。
t1[1: 8]  #冒号分隔，表示对某个区域进行索引，也就是所谓的切片
t1[1: 8: 2]  # 索引其中2-9号元素，左包含右不包含，且隔两个数取一个
t1[1: : 2]   # 从第二个元素开始索引，一直到结尾，并且每隔两个数取一个
t1[: 8: 2]   # 从第一个元素开始索引到第9个元素（不包含），并且每隔两个数取一个

t2 = torch.arange(1, 10).reshape(3, 3)
t2[0, 1]      # 表示索引第一行、第二个（第二列的）元素
t2[0, ::2]    # 表示索引第一行、每隔两个元素取一个
t2[0, [0, 2]]             # 索引结果同上
t2[::2, ::2]              # 表示每隔两行取一行、并且每一行中每隔两个元素取一个
t2[[0, 2], 1]              # 索引第一行、第三行、第二列的元素

t3 = torch.arange(1, 28).reshape(3, 3, 3)
t3[1, 1, 1]          # 索引第二个矩阵中，第二行、第二个元素
t3[1, ::2, ::2]      # 索引第二个矩阵，行和列都是每隔两个取一个
t3[:: 2, :: 2, :: 2]      # 每隔两个取一个矩阵，对于每个矩阵来说，行和列都是每隔两个取一个

indices = torch.tensor([1, 2])
torch.index_select(t1, 0, indices) #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

t = torch.arange(6).reshape(2, 3)
te = t.view(3, 2)              # 构建一个数据相同，但形状不同的“视图”
#PyTorch中的.view()方法。该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，并且通过.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。当然，共享一个存储空间，也就代表二者是“浅拷贝”的关系，修改其中一个，另一个也会同步进行更改。

张量的分片函数

t2 = torch.arange(12).reshape(4, 3)
tc = torch.chunk(t2, 4, dim=0)           # 在第零个维度上（按行），进行四等分
#out
#(tensor([[0, 1, 2]]),
# tensor([[3, 4, 5]]),
# tensor([[6, 7, 8]]),
# tensor([[ 9, 10, 11]]))
torch.split(t2, 2, 0)           # 第二个参数只输入一个数值时表示均分，第三个参数表示切分的维度
torch.split(t2, [1, 3], 0)           # 第二个参数输入一个序列时，表示按照序列数值进行切分，也就是1/3分
torch.split(t2, [1, 1, 1, 1], 0)  

torch.cat([a, b])                  # 按照行进行拼接，dim默认取值为0
torch.cat([a, b], 1)               # 按照列进行拼接