2.5 Tensor的API

欢迎订阅本专栏：《PyTorch深度学习实践》
订阅地址：https://blog.csdn.net/sinat_33761963/category_9720080.html

• 第二章：认识Tensor的类型、创建、存储、api等，打好Tensor的基础，是进行PyTorch深度学习实践的重中之重的基础。
• 第三章：学习PyTorch如何读入各种外部数据
• 第四章：利用PyTorch从头到尾创建、训练、评估一个模型，理解与熟悉PyTorch实现模型的每个步骤，用到的模块与方法。
• 第五章：学习如何利用PyTorch提供的3种方法去创建各种模型结构。
• 第六章：利用PyTorch实现简单与经典的模型全过程:简单二分类、手写字体识别、词向量的实现、自编码器实现。
• 第七章利用PyTorch实现复杂模型：翻译机（nlp领域）、生成对抗网络（GAN)、强化学习(RL)、风格迁移（cv领域）。
• 第八章：PyTorch的其他高级用法：模型在不同框架之间的迁移、可视化、多个GPU并行计算。

---

Pytorch提供了很多tensor的API， 如若逐条去记忆想必自然不是程序员的学习方法，更不是AI从业者的学习方法，API是帮助我们快速开发的工具，绝不能成为学习的压力，因此相对有效的方法是“类”–> “查” -->“熟”。

• “类”：对纷繁众多的API进行归类，先归大类，再在大类中归小类，对知识形成一个系统的认知；

• “查”：当在实际的应用中忽然想实现某个功能的时候，在“类”的帮助下马上知道了是什么类别下的API能帮助实现，于是去官方文档中迅速查找到函数名、使用方法及例子；

• “熟”：这是自然而然的过程，在不断高效“查”的过程中对“类”也逐渐熟悉，于是根本无需死记硬背，就对海量的API熟悉了。

pytorch tensor API的官方文档地址：http://pytorch.org/docs

文档中给API归了大类，但是每个大类罗列的API是根据首字母的顺序，也不方便大家快速认知，因此本章的小节中不但按照官方的思路对大类进行讲解，也根据笔者的思路对大类再做了更细致的归类，方便大家对API的认知。

2.5.1 调用API的方式

方式一：操作后创建新的变量

方式一中也有两种不同的方式可以选用

• （1）使用Torch module中的方法

用上文提到过的转置方法来举例， 可以调用torch.transpose(), 将原tensor:a作为参数传入， 生成新的tensor:a_t。

import torch

a = torch.ones(3, 2)
a_t = torch.transpose(a, 0, 1)

• （2）使用tensor object的中方法

直接在tensor：a上调用transpose方法，结果同上，

a = torch.ones(3, 2)
a_t = a.transpose(0, 1)

因此两种方法可以互相替换使用，但注意目前（2）中tensor对象的方法数目相对较少，用（1）torch moduel中的功能更全面。

方式二：在原变量上做操作

对tensor调用带有下划线结尾的方法，即为对原tensor进行操作，无需赋值新的变量

a = torch.ones(3, 2)
a.zero_()

tensor([[0., 0.],
        [0., 0.],
        [0., 0.]])

2.5.2 索引、切块

（1）简单索引与切块

对tensor的索引和对python中list的索引是一样的，只是tensor是多维数组，list是一维的。对list的索引不再赘述，下面看几个tensor索引的例子。

points = torch.tensor([[1.0, 4.0],[2.0, 1.0],[3.0, 5.0]])
points[1:]  # 获取第2行开始的所有行 [[2.0, 1.0],[3.0, 5.0]]
points[1:, :]  # 获取第2行开始的所有行的所有列，结果与上同 [[2.0, 1.0],[3.0, 5.0]]
points[1:, 0]  # 获取第2行开始的所有行的第0列， [[2.0],[3.0]]

tensor([2., 3.])

（2）高级索引与切块

a.通过索引切割tensor: torch.index_select() & torch.take()

a = torch.rand(4,6)
b = torch.index_select(input=a, dim=1, index=torch.LongTensor([0,1,2,3]))

print(b)

tensor([[0.5042, 0.0299, 0.0558, 0.9661],
        [0.0617, 0.8948, 0.4300, 0.0555],
        [0.0531, 0.1290, 0.4504, 0.7697],
        [0.4639, 0.8179, 0.8393, 0.6148]])

对a, 在维度1上，切出索引在[0,3）之间的元素。
注意：index必须是LongTensor类型的。

torch.take()也是通过索引取数，只是将Input平铺成一维的：

b = torch.take(input=a, index=torch.LongTensor([0,1,2,3]))
print(b)

tensor([0.5042, 0.0299, 0.0558, 0.9661])