PyTorch常用函数(4)

Torch定义了七种CPU tensor类型和八种GPU tensor类型：

torch.FloatTensor是默认的tensor类型。

import torch
# 一个张量 tensor 可以从 Python 的 list 或序列构建
print(torch.FloatTensor([[1, 2, 3], [4, 5, 6]]))
# tensor([[1., 2., 3.],
#         [4., 5., 6.]])
# 一个空张量 tensor 可以通过规定其大小来构建
print(torch.IntTensor(2, 4).zero_())
# tensor([[0, 0, 0, 0],
#         [0, 0, 0, 0]], dtype=torch.int32)
# 可以用 python 的索引和切片来获取和修改一个张量 tensor 中的内容
x = torch.FloatTensor([[1, 2, 3], [4, 5, 6]])
print(x[1][2])
# tensor(6.)
x[0][1]=8
print(x)
# tensor([[1., 8., 3.],
#         [4., 5., 6.]])

• expand(*sizes)：返回 tensor 的一个新视图，单个维度扩大为更大的尺寸。该函数只能将size=1的维度扩展到更大的尺寸，如果扩展其他size（）的维度会报错。

import torch
x = torch.Tensor([[1], [2], [3]])
print(x.size())
# torch.Size([3, 1])
print(x.expand(3, 4))
# tensor([[1., 1., 1., 1.],
#         [2., 2., 2., 2.],
#         [3., 3., 3., 3.]])

• index_add_(dim, index, tensor) → Tensor：按参数 index 中的索引数确定的顺序，将参数 tensor 中的元素加到原来的 tensor 中。参数 tensor 的
  尺寸必须严格地与原 tensor 匹配，否则会发生错误。
  参数：
  （1）dim(int)：索引index所指向的维度
  （2）index(LongTensor)：需要从tensor中选取的索引
  （3）tensor(Tensor)：含有相加元素的tensor

import torch
x = torch.Tensor([[1, 1, 1], [1, 1, 1], [1, 1, 1]])
t = torch.Tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
index = torch.LongTensor([0, 2, 1])
x.index_add_(0, index, t)
print(x)
# tensor([[ 2.,  3.,  4.],
#         [ 8.,  9., 10.],
#         [ 5.,  6.,  7.]])

• index_copy_(dim, index, tensor) → Tensor：按参数 index 中的索引数确定的顺序，将参数 tensor 中的元素复制到原来的 tensor 中。参数 tensor的尺寸必须严格地与原 tensor 匹配，否则会发生错误。
  参数：
  （1）dim(int)：索引index所指向的维度
  （2）index(LongTensor)：需要从tensor中选取的索引
  （3）tensor(Tensor)：含有被复制元素的tensor

import torch
x = torch.Tensor(3, 3)
t = torch.Tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
index = torch.LongTensor([0, 2, 1])
x.index_copy_(0, index, t)
print(x)
# tensor([[1., 2., 3.],
#         [7., 8., 9.],
#         [4., 5., 6.]])

x = torch.Tensor(3, 3)
t = torch.Tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
index = torch.LongTensor([0, 2, 1])
x.index_copy_(1, index, t)
print(x)
# tensor([[1., 3., 2.],
#         [4., 6., 5.],
#         [7., 9., 8.]])

• index_fill_(dim, index, val) → Tensor：按参数 index 中的索引数确定的顺序，将原 tensor 用参数 val 值填充。
  参数：
  （1）dim(int)：索引index所指向的维度
  （2）index(LongTensor)：需要从tensor中选取的索引
  （3）val(Tensor)：填充的值

import torch
x = torch.Tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
index = torch.LongTensor([0, 2])
x.index_fill_(0, index, -1)
print(x)
# tensor([[-1., -1., -1.],
#         [ 4.,  5.,  6.],
#         [-1., -1., -1.]])

• map_(tensor, callable)：将 callable 作用于本 tensor 和参数 tensor 中的每一个元素，并将结果存放在本 tensor 中

import torch
def f(x,*y): return 4*x+10
x = torch.randint(0,3,(2,3))
print('原来的x是:\n{}'.format(x))
# 原来的x是:
# tensor([[2, 1, 0],
#         [2, 1, 1]])
x.map_(x,f)
print(x)
# tensor([[18, 14, 10],
#         [18, 14, 14]])

• Tensor.permute(*dims) → Tensor：pemute可以对高维,2阶或以上矩阵进行重排列，或者说转置，而transpose只能对两个维度进行调换

import torch
b = torch.tensor([[[1,4],[2,5]],[[3,7],[4,6]]])
print(b.shape)
# torch.Size([2, 2, 2])
print(b.permute(0,2,1))
# tensor([[[1, 2],
#          [4, 5]],

#         [[3, 4],
#          [7, 6]]])
print(b.transpose(2,1))
# tensor([[[1, 2],
#          [4, 5]],

#         [[3, 4],
#          [7, 6]]])

x = torch.randn(2, 3, 5)
print(x.shape)
# torch.Size([2, 3, 5])
print( x.permute(2, 0, 1).size())
# torch.Size([5, 2, 3])

• Tensor.scatter_(dim, index, src, reduce=None) → Tensor：将 src 中的所有值按照 index 确定的索引写入本 tensor 中。

self[index[i][j][k]][j][k] = src[i][j][k]  # if dim == 0
self[i][index[i][j][k]][k] = src[i][j][k]  # if dim == 1
self[i][j][index[i][j][k]] = src[i][j][k]  # if dim == 2

# 实现one-hot编码
import torch
label = torch.arange(10).view(-1, 1)
print(label)
# tensor([[0],[1],[2],[3],[4],[5],[6],[7],[8],[9]])
label_onehot = torch.zeros(10, 10).scatter_(1, label, 1)
print(label_onehot)
# tensor([[1., 0., 0., 0., 0., 0., 0., 0., 0., 0.],
#        [0., 1., 0., 0., 0., 0., 0., 0., 0., 0.],
#        [0., 0., 1., 0., 0., 0., 0., 0., 0., 0.],
#        [0., 0., 0., 1., 0., 0., 0., 0., 0., 0.],
#        [0., 0., 0., 0., 1., 0., 0., 0., 0., 0.],
#        [0., 0., 0., 0., 0., 1., 0., 0., 0., 0.],
#        [0., 0., 0., 0., 0., 0., 1., 0., 0., 0.],
#        [0., 0., 0., 0., 0., 0., 0., 1., 0., 0.],
#        [0., 0., 0., 0., 0., 0., 0., 0., 1., 0.],
#        [0., 0., 0., 0., 0., 0., 0., 0., 0., 1.]])

index = torch.tensor([[1], [2], [0], [1]])
onehot = torch.zeros(4, 3)
onehot.scatter_(1, index, 1)
print(onehot)
# tensor([[0., 1., 0.],
#         [0., 0., 1.],
#         [1., 0., 0.],
#         [0., 1., 0.]])

参考目录

https://blog.csdn.net/weixin_40920183/article/details/119814472