即看即用 && 索引,切片,连接,换位 (Indexing, Slicing, Joining, Mutating Ops) && Pytorch官方文档总结 && 笔记 (二)

最新推荐文章于 2022-11-30 19:46:54 发布
最新推荐文章于 2022-11-30 19:46:54 发布
阅读量272 收藏
点赞数
分类专栏： Pytorch_python 文章标签： pytorch 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_54185421/article/details/124546042
版权

（1）本文涉及函数的列表（注释在代码中）

  1. torch.cat                                    连接张量，和stack相似

  2. torch.chunk                               分块

  3. torch.gather                               聚合 图解PyTorch中的torch.gather函数 - 知乎

  4. torch.index_select                    切片

  5. torch.masked_select                根据mask二元值，返回1维张量

  6. torch.nonzero                            返回非零元素的索引

  7. torch.split                                  切割成相同的快，最后一个块可以不同

  8. torch.squeeze                           挤压维度

  9. torch.stack                                连接张量序列，和cat相似

  10. orch.t                                         转置0,1维

  11. torch.transpose                        交换维度

  12. torch.unbind                             移除指定维度，返回元组（各个切片）

  13. torch.unsqueeze                       扩展维度

（2）代码示例（含注释）

"""
索引,切片,连接,换位 Indexing, Slicing, Joining, Mutating Ops
"""
import torch

# # 在给定维度上对输入的张量序列 seq 进行连接操作。
x = torch.randn(2, 3)
y = torch.zeros(2, 3)
z = torch.randn(2, 3)
obj1 = torch.cat((x, y, z), dim=0)  # 沿y轴方向连接
obj2 = torch.cat((x, y, z), dim=1)  # 沿x轴方向连接

# # 在给定维度(轴)上将输入张量进行分块儿。
obj3 = torch.chunk(torch.randn(3, 6), chunks=3, dim=0)
obj4 = torch.chunk(torch.randn(3, 6), chunks=3, dim=1)

# # 沿给定轴 dim，将输入索引张量 index 指定位置的值进行聚合。index (LongTensor) – 聚合元素的下标
# https://zhuanlan.zhihu.com/p/352877584
x = torch.Tensor([[3, 4, 5], [6, 7, 8], [9, 10, 11]])
# dims=0: [0, 0] [2, 1] [1, 2]  左侧是021 右侧是012
# dims=1: [0, 0] [0, 2] [0 ,1]  右侧是021 左侧是000
index = torch.LongTensor([[0, 2, 1]])
obj5 = torch.gather(x, 0, index)
obj6 = torch.gather(x, 1, index)

# # 沿着指定维度对输入进行切片，取 index 中指定的相应项(index 为一个 LongTensor)，
# # 然后返回到一个新的张量， 返回的张量与原始张量_Tensor_有相同的维度(在指定轴上)。
# # 注意： 返回的张量不与原始张量共享内存空间。
x = torch.randn(3, 4)
# 沿y轴方向取第0行和第2行
obj7 = torch.index_select(input=x, dim=0, index=torch.LongTensor([0, 2]))
# 沿x轴方向取第0行和第2行
obj8 = torch.index_select(input=x, dim=1, index=torch.LongTensor([0, 2]))

# # 根据掩码张量 mask 中的二元值，取输入张量中的指定项( mask 为一个 ByteTensor)，将取值返回到一个新的 1维 张量，
# # 张量 mask 须跟 input 张量有相同数量的元素数目，但形状或维度不需要相同。
# # 注意：返回的 1维 张量不与原始张量共享内存空间。
# mask (ByteTensor) – 掩码张量，包含了二元索引值
x = torch.randn(3, 4)
mask = x.ge(0.5)  # 大于0.5返回True
obj9 = torch.masked_select(input=x, mask=mask)

# # 返回一个包含输入 input 中非零元素索引的张量。输出张量中的每行包含输入中非零元素的索引。
# # 如果输入 input 有 n 维，则输出的索引张量 output 的形状为 z x n,
# # 这里 z 是输入张量 input 中所有非零元素的个数。
obj10 = torch.nonzero(torch.Tensor([1, 1, 0, 0, 1]))
obj11 = torch.nonzero(torch.eye(3, 3))

# # 将输入张量分割成相等形状的 chunks（如果可分）。
# # 如果沿指定维的张量形状大小不能被 split_size 整分， 则最后一个分块会小于其它分块。
obj12 = torch.split(tensor=torch.randn(3, 4), split_size_or_sections=2, dim=1)

# # 挤压：将输入张量形状中的 1 去除并返回。(默认沿x、y两个方向)
x = torch.zeros([2, 1, 3, 4, 1])  # 五维 torch.Size([2, 1, 3, 4, 1])
obj13 = torch.squeeze(x)  # 返回三维 torch.Size([2, 3, 4])
# torch.squeeze(x, 0) # torch.Size([2, 1, 3, 4, 1])
# torch.squeeze(x, 1) # torch.Size([2, 3, 4, 1])

# # 沿着一个新维度对输入张量序列进行连接。 序列中所有的张量都应该为相同形状。
# # 对比 torch.cat()  输入二维，返回二维
# # torch.stack()  输入二维，返回三维
x = torch.randn(2, 3)
y = torch.zeros(2, 3)
z = torch.randn(2, 3)
obj14 = torch.stack((x, y, z), dim=0)  # 沿y轴方向拼接
obj15 = torch.stack((x, y, z), dim=1)  # 沿x轴方向拼接

# # 输入一个矩阵（2 维张量），并转置 0, 1 维。
# # 可以被视为函数 transpose(input, 0, 1) 的简写函数。
obj16 = torch.t(torch.tensor([[1, 2], [4, 6]]))

# # 返回输入矩阵 input 的转置。交换维度 dim0 和 dim1。 输出张量与输入张量共享内存，
# # 所以改变其中一个会导致另外一个也被修改。
obj17 = torch.transpose(torch.tensor([[1, 2], [4, 6]]), 0, 1)

# # 移除指定维后，返回一个元组，包含了沿着指定维切片后的各个切片
obj18 = torch.unbind(torch.tensor([[1, 2], [3, 4]]), dim=0)

# # 返回一个新的张量，对输入的制定位置插入维度 1
# # 注意： 返回张量与输入张量共享内存，所以改变其中一个的内容会改变另一个。
# # 如果 dim 为负，则将会被转化 dim+input.dim()+1
obj19 = torch.unsqueeze(torch.tensor([1, 2, 3]), dim=0)  # 沿x轴方向扩张维度 1
obj20 = torch.unsqueeze(torch.tensor([1, 2, 3]), dim=1)  # 沿y轴方向扩张维度 1

print("*"*20, "obj1", "*"*20, "\n", obj1, "\n")
print("*"*20, "obj2", "*"*20, "\n", obj2, "\n")
print("*"*20, "obj3", "*"*20, "\n", obj3, "\n")
print("*"*20, "obj4", "*"*20, "\n", obj4, "\n")
print("*"*20, "obj5", "*"*20, "\n", obj5, "\n")
print("*"*20, "obj6", "*"*20, "\n", obj6, "\n")
print("*"*20, "obj7", "*"*20, "\n", x, "\n", obj7, "\n", obj8, "\n")
print("*"*20, "obj9", "*"*20, "\n", x, "\n", mask, "\n", obj9, "\n")
print("*"*20, "obj10", "*"*20, "\n", obj10, "\n", obj11, "\n")
print("*"*20, "obj12", "*"*20, "\n", obj12, "\n")
print("*"*20, "obj13", "*"*20, "\n", x, "\n", x.size(), "\n", obj13, "\n", obj13.size(), "\n")
print("*"*20, "obj14", "*"*20, "\n", obj14, "\n", obj15, "\n")
print("*"*20, "obj16", "*"*20, "\n", obj16, "\n")
print("*"*20, "obj17", "*"*20, "\n", obj17, "\n")
print("*"*20, "obj18", "*"*20, "\n", obj18, "\n")
print("*"*20, "obj19", "*"*20, "\n", obj19, "\n", obj20, "\n")

>>>output

******************** obj1 ******************** 
 tensor([[-1.6186, -0.8067, -1.1804],
              [-0.1467,  0.6239,  0.9534],
              [ 0.0000,  0.0000,  0.0000],
              [ 0.0000,  0.0000,  0.0000],
              [ 0.9263, -0.8269,  0.0046],
              [-1.1006, -0.6988,  0.1890]]) 

******************** obj2 ******************** 
 tensor([[-1.6186, -0.8067, -1.1804,  0.0000,  0.0000,  0.0000,  0.9263, -0.8269,
                0.0046],
              [-0.1467,  0.6239,  0.9534,  0.0000,  0.0000,  0.0000, -1.1006, -0.6988,
                0.1890]]) 

******************** obj3 ******************** 
 (tensor([[ 1.4899, -0.3238, -0.7243, -0.5336, -0.6189, -0.0321]]),

  tensor([[ 0.8191,  -0.4457,  1.5956, -0.2469, -0.1813, -0.1472]]),

  tensor([[-0.4933,  1.4287, -0.1502, -0.8178, -2.3286,  1.0828]])) 

******************** obj4 ******************** 
 (tensor([[-0.8373, -1.3918],
              [-0.5960, -0.6540],
              [-1.4265, -0.4198]]), tensor([[-0.9599, -1.1114],
              [ 1.2388, -1.6912],
              [ 0.4254,  0.3522]]), tensor([[-0.2481,  0.9961],
              [ 1.1239, -0.0241],
              [-0.4623, -1.2694]])) 

******************** obj5 ******************** 
 tensor([[ 3., 10.,  8.]]) 

******************** obj6 ******************** 
 tensor([[3., 5., 4.]]) 

******************** obj7 ******************** 
 tensor([[ 0.6158, -0.1513,  0.7025],
              [-0.6720,  0.8464, -1.6161]]) 
 tensor([[ 0.3243, -0.9802,  0.8814,  1.0558],
              [-0.2766,  2.1381,  0.3016,  0.0050]]) 
 tensor([[ 0.3243,  0.8814],
              [-0.9072,  0.7438],
              [-0.2766,  0.3016]]) 

******************** obj9 ******************** 
 tensor([[ 0.6158, -0.1513,  0.7025],
              [-0.6720,  0.8464, -1.6161]]) 
 tensor([[False, False, False,  True],
              [False, False,  True, False],
              [False, False,  True,  True]]) 
 tensor([1.3356, 1.6224, 0.8899, 0.8873]) 

******************** obj10 ******************** 
 tensor([[0],
              [1],
              [4]]) 
 tensor([[0, 0],
              [1, 1],
             [2, 2]]) 

******************** obj12 ******************** 
 (tensor([[-1.6856, -1.5886],
             [-0.7732,  2.1042],
             [ 0.4190, -0.0502]]), tensor([[-0.6008,  0.5552],
             [-0.4270,  0.3902],
             [-2.3373, -0.8840]])) 

******************** obj13 ******************** 
 tensor([[ 0.6158, -0.1513,  0.7025],
              [-0.6720,  0.8464, -1.6161]]) 
 torch.Size([2, 3]) 
 tensor([[[0., 0., 0., 0.],
               [0., 0., 0., 0.],
               [0., 0., 0., 0.]],

              [[0., 0., 0., 0.],
               [0., 0., 0., 0.],
               [0., 0., 0., 0.]]]) 
 torch.Size([2, 3, 4]) 

******************** obj14 ******************** 
 tensor([[[ 0.6158, -0.1513,  0.7025],
                [-0.6720,  0.8464, -1.6161]],

               [[ 0.0000,  0.0000,  0.0000],
                [ 0.0000,  0.0000,  0.0000]],

               [[ 0.9513, -0.0260, -0.0575],
                [ 1.5535,  0.5139,  0.0120]]]) 
 tensor([[[ 0.6158, -0.1513,  0.7025],
                [ 0.0000,  0.0000,  0.0000],
                [ 0.9513, -0.0260, -0.0575]],

               [[-0.6720,  0.8464, -1.6161],
                [ 0.0000,  0.0000,  0.0000],
                [ 1.5535,  0.5139,  0.0120]]]) 

******************** obj16 ******************** 
 tensor([[1, 4],
              [2, 6]]) 

******************** obj17 ******************** 
 tensor([[1, 4],
              [2, 6]]) 

******************** obj18 ******************** 
 (tensor([1, 2]), tensor([3, 4])) 

******************** obj19 ******************** 
 tensor([[1, 2, 3]]) 
 tensor([[1],
              [2],
              [3]]) 

 >>>如有疑问，欢迎评论区一起探讨

Flying Bulldog
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
pytorch张量索引切片等学习笔记
09-09
结合网上的相关教程整理的关于pytorch的有关张量，索引，切片以及与numpy相互转换使用的学习笔记，比较完整，有兴趣的可以下载！
torch学习 (42)：tensor的索引、切片、拼接，以及变异操作 (Indexing, Slicing, Joining, Mutating)
因吉的博客
03-31 5908
对torch中tensor的索引、切片、拼接等操作进行说明
torch_indexing:用于高级pytorch张量索引的辅助库
04-17
用于高级pytorch张量索引的辅助库 职能 当前实现的功能： 批量排序（CPU + CUDA）：批量排序一维张量 建造 我的开发环境： pytorch：1.8.0 + cu111（通过pip安装） CUDA：11.2 nvcc：11.2 推力：1.12.0 幼崽：1.12.0 cmake：3.18.4 编译示例： # configure cmake .. \ -DCMAKE_PREFIX_PATH= ` python -c ' import torch;print(torch.utils.cmake_prefix_path) ' ` \ -DPYTHON_INCLUDE_DIR= $( python -c " from distutils.sysconfig import get_python_inc; print(get_python_inc()) " ) \ -D
3.Pytorch基础模块torch的API之Indexing,Slicing,Joining,Mutating Ops实例详解
重点记录机器人和自动驾驶相关领域的技术，尤其是计算机视觉，视觉SLAM等，不仅有前言文献或必备算法的学习，也会有实际应用的点滴经验
01-21 688
文章目录0. torch1. Tensors2. Creation Ops3. Indexing,Slicing,Joining,Mutating Ops3.1 torch.cat()3.2 torch.chunk()3.3 torch.dstack()3.4 torch.gather()3.5 torch.hstack()3.6 torch.index_select()3.7 torch.masked_select()3.8 torch.movedim()3.9 torch.narrow()3.10 to
Libtorch安装部署模型，及常用操作
weixin_41202834的博客
01-03 3680
适合目前所有主流版本的部署方式
C&C++ Ref.text-001.pdf
12-22
Ample cross-referencing and indexing is provided to make the text a servicable reference, but more complete works are recommended. In particular, for the practicing programmer, the best available ...
AdvancedIndexing-PyTorch:（批次）PyTorch的高级索引
03-15
除了支持基本索引方法（矢量索引，外部索引，numpy样式索引，pytorch样式索引）之外，它还支持批量索引。 也就是说，张量的索引可能在不同的批处理索引中有所不同。 榜样胜过戒律！ import torchfrom torch_index ...
IDRA InDexing & Retrieving Automatically-开源
04-25
IDRA（自动进行InDexing和检索）是一种工具，它可以为各种文本（TXT，DOC，PDF）和图像注释文件（XML）建立索引，基于查询的搜索，可视化索引，将其保存以供重用，评估， 等等。
NumPy 基本切片和索引的具体使用方法
01-20
索引和切片是NumPy中最重要最常用的操作。熟练使用NumPy切片操作是数据处理和机器学习的前提，所以一定要掌握好。 文档：https://docs.scipy.org/doc/numpy/reference/arrays.indexing.html 索引 ndarrays可以使用...
python 中的内置函数slice()
越努力 越幸运
02-22 8877
slice()函数是一个切片函数，可以作用于list,tuple,numpy等结构，其作用类似于列表中常见的切片操作，但是如果按照某个长度将list等可以用于切片的序列做等分，一般可以用一个循环可以实现。 l =[1,2,3,4,5,6,7,8,9,10] i = 0 while(i<10): print(l[i:i+2]) i += 2 output： [1, 2] ...
YOLOv4 libtorch推理【附代码】
z240626191s的博客
06-28 2000
目标检测中libtorch推理与图像分类和分割不同，目标检测需要对边界框进行解码。 本项目支持CPU、GPU推理，剪枝后的模型也可用进行推理。
torch中的split函数学习
说文科技，做有态度的研究。
11-13 1388
tensor的分割函数——split
VTM调用libtorch
Icepipi的博客
11-30 251
vtm 调用 libtorch
torch.split用法
weixin_47156261的博客
05-10 8910
torch.split，用来划分tensor，可以从数量上划分，还有维度上划分。 torch.split(tensor,split_szie,dim），split_size有整数，也有列表，dim默认为0，自己也可以修改。 代码示例： import torch a=torch.tensor([[[1,2,3],[4,5,6]], [[7,8,9],[10,11,12]]]) print("a的shape：",a.shape) #在第0维上进行split b=torch.spl
6.libtorch张量的切片与索引
陨星落云的博客
11-09 3461
表 2-5. 张量的切片与索引 表达式 描述 torch::index 通过索引获取张量的值 torch::indexing::Slice 切片操作 torch::indexing::None a.index({Slice(None)})等价于pytorch中的a[:]。 torch::index_put_ 通过切片或索引改变张量的值 torch::masked_select 根据条件选出指定的元素值 例2-10：索引与切片 #include <torch/torc
python pytorch tenser 索引 slice 切片
子燕若水的博客
03-14 3412
示例代码： import torch # 譬如：4张图片，每张三个通道，每个通道28行28列的像素 a = torch.rand(4, 3, 28, 28) # 在第一个维度上取后0和1，等同于取第一、第二张图片 print(a[:2].shape) #torch.Size([2, 3, 28, 28]) # 在第一个维度上取0和1,在第二个维度上取0， # 等同于取第一、第二张图片中的第一个通道 print(a[:2, :1, :, :].shape) #torch.Size([2,...
PyTorch索引,切片,连接,换位Indexing, Slicing, Joining, Mutating Ops
热门推荐
Yoc Lu
08-10 2万+
PyTorch索引,切片,连接,换位 Indexing, Slicing, Joining, Mutating Ops torch.cat torch.cat(inputs, dimension=0) → Tensor 在给定维度上对输入的张量序列进行连接操作。 torch.cat()可以看做 torch.split() 和 torch.chunk()的反操作。 参数： input...
LibTorch对tensor的索引/切片/掩码操作：对比PyTorch
Flag_ing的博客
11-11 1万+
目录 一、通过索引获取值 二、通过索引设置值 在PyTorch C++ API（libtorch）中对张量进行索引的方式与Python API的方式很相似。诸如None / ... / integer / boolean / slice / tensor的索引类型在C++ API里同样有效，这样就可以很方便的实现Python代码与C++代码的转换。主要的不同是将Python API里对张量的“[ ]”操作符转换成了以下形式： torch::Tensor::index ( ) // 获取值 .
for(auto& contour : contours){}是什么意思
最新发布
04-05
This is a range-based for loop, introduced in C++11, that allows iterating over each element in a container without having to worry about the container's size or indexing. The "auto" keyword ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Flying Bulldog

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值