Pytorch常用函数

本文记录Pytorch常用函数，值得一提的是本文的所有涉及函数都会给出官方文档链接，我想这可能会节约您的时间。个人应用场景为图像处理、深度学习、计算机视觉。

目录

torch.from_numpy

torch.meshgrid

 torch.stack

torch.repeat

torch.permute

---

• torch.from_numpy

torch.from_numpy(ndarray) → Tensor

将一个numpy的ndarray类型转换为tensor类型（与之对应，用tensor的.numpy方法可以将tensor变成Numpy）

例子：
 

 官方文档链接：

torch.from_numpy — PyTorch 1.12 documentation

• torch.meshgrid

torch.meshgrid(*tensors, indexing=None)

        torch.meshgrid（）的功能是生成网格，可以用于生成坐标。函数输入两个数据类型相同的一维张量，两个输出张量的行数为第一个输入张量的元素个数，列数为第二个输入张量的元素个数，当两个输入张量数据类型不同或维度不是一维时会报错。

        其中第一个输出张量填充第一个输入张量中的元素，各行元素相同；第二个输出张量填充第二个输入张量中的元素各列元素相同。

 在我看来，torch.meshgrid函数就像我之前写得加None升维的作用一样，就是为了构造x的一个元素对应y的所有元素（或者说类似构造三维输出，已知x坐标和y坐标然后一个x的坐标对应多个y）

 官方文档链接：

torch.meshgrid — PyTorch 1.12 documentation

•  torch.stack

torch.stack(tensors, dim=0, *, out=None) → Tensor

 沿新维度连接一系列张量。 序列中所有的张量都应该为相同形状。

官方文档链接：

torch.stack — PyTorch 1.12 documentation

• torch.repeat

 PyTorch中的repeat()函数可以对张量进行重复扩充[1]。

当参数只有两个时：（列的重复倍数，行的重复倍数）。1表示不重复

当参数有三个时：（通道数的重复倍数，列的重复倍数，行的重复倍数）。

import torch
a= torch.arange(30).reshape(5,6)
print(a)
print('b:',a.repeat(2,2))
print('c:',a.repeat(2,1,1))

/usr/bin/python3 /home/thu/test_python/repeat.py
tensor([[ 0,  1,  2,  3,  4,  5],
        [ 6,  7,  8,  9, 10, 11],
        [12, 13, 14, 15, 16, 17],
        [18, 19, 20, 21, 22, 23],
        [24, 25, 26, 27, 28, 29]])
b: tensor([[ 0,  1,  2,  3,  4,  5,  0,  1,  2,  3,  4,  5],
        [ 6,  7,  8,  9, 10, 11,  6,  7,  8,  9, 10, 11],
        [12, 13, 14, 15, 16, 17, 12, 13, 14, 15, 16, 17],
        [18, 19, 20, 21, 22, 23, 18, 19, 20, 21, 22, 23],
        [24, 25, 26, 27, 28, 29, 24, 25, 26, 27, 28, 29],
        [ 0,  1,  2,  3,  4,  5,  0,  1,  2,  3,  4,  5],
        [ 6,  7,  8,  9, 10, 11,  6,  7,  8,  9, 10, 11],
        [12, 13, 14, 15, 16, 17, 12, 13, 14, 15, 16, 17],
        [18, 19, 20, 21, 22, 23, 18, 19, 20, 21, 22, 23],
        [24, 25, 26, 27, 28, 29, 24, 25, 26, 27, 28, 29]])
c: tensor([[[ 0,  1,  2,  3,  4,  5],
         [ 6,  7,  8,  9, 10, 11],
         [12, 13, 14, 15, 16, 17],
         [18, 19, 20, 21, 22, 23],
         [24, 25, 26, 27, 28, 29]],
 
        [[ 0,  1,  2,  3,  4,  5],
         [ 6,  7,  8,  9, 10, 11],
         [12, 13, 14, 15, 16, 17],
         [18, 19, 20, 21, 22, 23],
         [24, 25, 26, 27, 28, 29]]])
 
Process finished with exit code 0

• torch.permute

torch.permute(input, dims)

参数：

input：输入张量

dims：（元组类型）需要交换的维度

当然我们一般不会直接用torch.permute，而是对一个tensor调用其permute方法：

例子：改变图像的维度顺序（c*h*w）

注意：reshape并不能起到改变通道顺序的功能(可以看到结果是不对的)：

官方文档链接：

torch.permute — PyTorch 1.12 documentation

• torch.numpy，torch.from_numpy实现tensor和numpy的互换

•  torch.detach

官方解释：

---

返回一个从当前计算图中分离下来的新的tensor，但是仍指向原变量的存放位置,不同之处只是requires_grad为false，得到的这个tensor永远不需要计算其梯度，不具有grad。

即使之后重新将它的requires_grad置为true,它也不会具有梯度grad

这样我们就会继续使用这个新的tensor进行计算，后面当我们进行反向传播时，到该调用detach()的tensor就会停止，不能再继续向前进行传播！

当我们再训练网络的时候可能希望保持一部分的网络参数不变，只对其中一部分的参数进行调整；或者值训练部分分支网络，并不让其梯度对主网络的梯度造成影响，这时候我们就需要使用detach()函数来切断一些分支的反向传播！

官方文档：

torch.Tensor.detach — PyTorch 1.12 documentation

待更新... 

参考资料：

[1].torch.repeat()_dspeia的博客-CSDN博客_torch.repeat