torch笔记 【1】 torch中的arange、repeat和view

• 最近已经到了需要改源码的地步了，不得不研究研究YOLO的结构，这就涉及到pytorch的各种api

range和arange

• 创建1维张量
• 这里给出一段示例：

z = torch.range(1,10)
print(z,z.shape)

z = torch.arange(1,10)
print(z,z.shape)

• torch.range(1,10)和 torch.arange(10)都产生了一个1维的数组，类型是 <class ‘torch.Tensor’>
  • 二者不同的是
    • range产生的长度是10-1+1=10 是由1到10组成的1维张量，类型float
    • 而arange产生的是10-1=9 由1-9组成的1维度张量 ，类型int

他们的输出分别是

tensor([ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.,  9., 10.]) torch.Size([10]) 
tensor([1, 2, 3, 4, 5, 6, 7, 8, 9]) torch.Size([9])

• 示例2：

# z = torch.range(10)
# print(z,z.shape)
z = torch.arange(10)
print(z,z.shape)

• 需要注意的是，range第一个值不能缺省，arange可以，默认0，其输出就是：tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) torch.Size([10])

repeat

• 复制张量

z = torch.arange(10)
print(z,z.shape)
z = torch.arange(10).repeat(10,1)
print(z,z.shape)

• 这次我们先给输出：
• 
• 可以看到repeat就干了一件事，复制，那么其复制的机制就是：得到[10，10x1]的张量，内容为复制出来的
• 如果吧repeat参数改为repeat(10,5,2),那么就会懂得到[10,5,2x10]=[10,5,20]的张量，换句话说，repeat的最后一个参数，决定要复制的张量的基本元素，和前n-1个一起决定复制成什么样的矩阵。

View

• 改变张量形状
• View的机制顺序地拿数据填充形状，注意，定义的形状所需要的数据的数量必须=能提供的数据数量
  • 比如：[10x10] 的张量可以.view(1,1,10,10) 也可以.view(5,20) 但是不可以.view(10,11) ，一旦数据数量不同，就会报数据无效的错误
• 代码示例

z = torch.arange(10)
print(z.shape)
z = torch.arange(10).repeat(10,1)
print(z.shape)
z = torch.arange(10).repeat(10,1).view(1,1,10,10)
print(z,z.shape)

最终效果

• 我看这部分的目的是想做矩形推理，理论上我只要给z = torch.arange(10).repeat(10,1).view(1,1,10,10)传上正确的且比例不同的参数，那么我就可以得到矩形的tensor，就比如：

image_size=(416,320)
z = torch.arange(image_size[0]).repeat(image_size[1], 1)
print(z.shape)
z = torch.arange(image_size[0]).repeat(image_size[1], 1).view([1, 1, image_size[0], image_size[1]])
print(z.shape)

• 我就可以得到这俩张量，恰好对应image的形状

torch.Size([320, 416])
torch.Size([1, 1, 416, 320])

• 那么由此，我在padding的时候就可以不padding成一个416x416的正方形，而是可以是复合一定条件的矩形。理论上是会加速边缘设备的推理速度