【转载】Python 查看Tensor尺寸即查看数据类型的实现

本文转载自@shuqiaoS大佬在脚本之家发布的文章。

Python查看Tensor尺寸及查看数据类型的实现_python_脚本之家 (jb51.net)

目录

查看Tensor尺寸及查看数据类型

• 查看Tensor尺寸
• 查看数据类型

Pytorch基本数据类型Tensor

• Python和Pytorch数据类型对应
• 创建Tensor的方法
• 一些常用的生成Tensor的方法
• Tensor的切片与索引
• Tensor的维度变换
• Tensor的叠加和分割
• Tensor的数学运算
• Tensor的统计相关操作

查看Tensor的尺寸&查看数据类型

# x.shape

input = torch.randn(20,16,50,32)
input.shape
input.type()

注意，在shape后面不要加括号，否则会报错。

Python 和 Pytorch 数据类型对应

Python	Pytorch
Int	IntTensor of size()
float	FloatTensor of size()
Int array	IntTensor of size[d1,d2,...]
Float array	FloatTensor of size[d1,d2,...]
string	--

以上数据存储在CPU中

如果使用.cuda()会返回一个GPU上的引用。

import torch
a = torch.tensor([1,2])
c=a.cuda
print("\n a:",a)
print("\n c:",c)
print("\n type c:",type(c))

创建tensor的方法

import torch
import numpy
a = numpy.array([1,2,3,4])
b = torch.from_numpy(a)
print(b)
c = torch.tensor([1,2,3,4])
print(c)
d = torch.Tensor([4,5,6,7])
print(d)
e = torch.Tensor(2,3)
print(e)

一些常用的生成tensor方法

import torch
a = torch.rand(3, 3) # 生成指定大小的，元素范围[0，1]的tensor
print(a)
b = torch.rand_like(a) # 生成与对象tensor大小一致的tensor
print(b)
c = torch.randint(1,10,(3,3)) # 生成(3，3)大小，[1,10)范围的tensor（整型）
print(c)
d = torch.randn(2, 4) # 生成均值为0，方差为1的随机tensor
print(e)
f = torch.arange(0, 10) # 生成顺序tensor
print(f)
g =  torch.linspace(0, 9, steps=8)# 生成[0，9]，等分成8个tensor
print(g)
print(torch.ones(3,1),
      torch.zeros(4,5),
      torch.eye(6)) # 生成全1，全0，单位矩阵tensor

tensor的切片与索引

import torch
a = torch.rand(3, 7) #生成指定大小的，元素范围[0,1]的tensor
print(a)
print("*"*100)
print(a[0])  #取一行
print("*"*100)
print(a[:2,4:])  #指定一块子区域
print("*"*100)
print(a[:,2])  #取一列
print("*"*100)
print(a[:,0:7:2]) #[0,7]行隔2行取样
print("*"*100)
print(a.index_select(1,torch.tensor([2,6])))  #指定切片位置
print("*"*100)
mask = a.ge(0.8)
print(torch.masked_select(a,mask)) #通过掩码条件切片（注意切片后会被flatten）
print(mask) #看看mask矩阵

tensor的维度变换

import torch
a = torch.rand(3,4,2) # 生成指定大小的，元素范围[0,1]的tensor
print(a)
# view方法：变换tensor的形状
print(a.view(3,8)) # 压缩维度
print(a.view(3,2,2,2)) # 扩展维度
# unsqueeze方法：在制定地方插入一维
print(a.unsqueeze(1))
# squeeze方法会消除一维（只有在原维度为1时才有用）
print(a.squeeze(1))

b = torch.rand(3,1,2) # 生成指定大小的，元素范围[0,1]的tensor
print(b.squeeze(1))

tensor的叠加和分割

import torch
# cat操作
a = torch.rand(4,1,3)
b = torch.rand(3,1,3)
c = torch.cat((a,b)) # 合并tensor（其它dimension必须一致）
print(c)
print(c.shape)

# stack 操作
d = torch.rand(4,1)
e = torch.rand(4,1)
f = torch.stack((d,e)) # 合并tensor，与cat不同的是，stack会增加一个更高的维度
print(f)
print(f.shape)

g = torch.rand(5,2,1)
h,i = g.split([1,4])
print(h)
print(i)

tensor 的数学运算

import torch
a = torch.zeros(4,3)
b = torch.ones(3)
# print(a+b) # 会报错
# print(torch.add(a,b)) # 结果全是1，broadcast运算逻辑
c = torch.tensor([1,2,3],[4,5,6],[7,8,9])
d = torch.eye(3)
# print(torch.add(c,d))
# print(c+d)
# print(c*d)
# print(c/d)
# print(c**2)
# print(c**0.5)

#矩阵乘法
print(torch.matmul(torch.ones(3,3),torch.ones(3,3)))
print(torch.ones(3,3)@torch.ones(3,3)) # 用@的效果是一样的

# 高维度的矩阵相乘
e = torch.rand(4,3,2,3)
f = torch.rand(4,3,3,5)
g = e@f
print(g)
print(g.shape) # 可以看到，本质上也是二维矩阵相乘的规律

#clamp算法
print(c.clamp(4)) # 把小于4的值全部都替换为4

tensor 的统计相关操作

import torch
#norm方法（求范数）
a = torch.arange(10,dtype=float)
b = a.view(2,5)
print(a.norm(1))
print(b.norm(1))
print(a.norm(2,dtype=float))  #同理求二范数
print(b)
print(b.norm(1,dim=1,dtype=float))  #求指定维度的范数
#求最大、最小、平均、求和
print(a.sum())
print(a.min())
print(a.max())
print(a.mean())
#top N的值
c = torch.tensor([1,2,3,3,4,4,4,5,5,5,5,6,8,8],dtype=float)
print(c.topk(3))
print(c.topk(3, largest=False))  #找到前N最小的值
print(c.kthvalue(4))  #找到第k小的值

#比较
print(a>4)
print(a!=8)
#where
cond = torch.tensor([[1,2],[3,4]],dtype=float)  #用where组合2个tensor
d = torch.zeros(2,2)
e = torch.ones(2,2)
print(torch.where(cond>2,d,e))