-
torch.set_default_tensor_type(torch.)
用于改变默认的tensor类型 -
torch.rand(n,n)
产生0,1之间的随机数据,size为n×n -
torch.rand_like(a)
a = torch.rand() -
torch.randint(n, m,[s,s])
n为最小值,m为最大值,且取前不取后,并生成s×s大小的数据 -
torch.randn(s×s)
正态分布 -
torch.nomal(mean, std)
可以自定义正态分布的方差 -
torch.full([s×b], m)
生成 s×b的全是m的一个tensor,想生成标量【】里面就不要放东西,一维就填1 -
torch.arange(a,b,c)
c步长 -
torch.linspace(a, b, step = c)
生成a到b 的一组tensor,并且只生成c个 -
torch.logspace()
同上,但是得出数之后会以10,2,e为底进行计算,base参数可以自己修改 -
torch.ones() torch.zeros() torch.eye()
-
torch.rangperm(s)
生成0到s-1的数据,乱序输出 -
a.index_select(a, torch.tensor[b, c], [d, e, f, g])
中间那个也可以修改为torch.arange(s) 意思是从0选取到s -
如果:之间啥都不填,可以直接用.来代替一个冒号,并且不用加逗号。
-
masked_select()
-
打平之后选择
-
view操作,可以按照不同的逻辑来看tensor
-
a.unsqueeze()可以在a的各处插入一个维度
-
torch.squeeze()
1维的才能直接扩展,非1的只能扩展成本身。 -1就代表保持原来唯独不变。 -
repeat操作是每个维度重复扩展的次数
-
.t方法,只适用于2维
-
.transpose 必须写成a2的形式
-
permute操作可以随意调整
-
broadcast自动扩展
-
torch.cat 在dim维度上进行拼接
-
-
.chunk
将张量按照维度 dim 进行平均切分。若不能整除,则最后一份张量小于其他张量。
-
-
torch.mm()仅对2D进行处理
torch.matmul可以对后两位进行矩阵运算,前面的保留,也可结合broadcast机制 -
-
-
-
-
argmax会打平
-
这边是给定维度
-
看的出来,keepdim就是把[4]变成了[4,1] -
-
-
where语句
-
gather操作,有三个参数,第一个是需要查的表,第二个是dim,第三个是索引
pytorch用法
最新推荐文章于 2024-07-18 18:09:32 发布