pytorch学习记录（一）

pytorch笔记1-scatter_用法

1.源自：pytorch教程-transforms

import torch	
from torchvision import datasets
from torchvision.transforms import ToTensor, Lambda

ds = datasets.FashionMNIST(
    root="data",				  # 设置数据集的本地路径
    train=True,					  # 数据为训练集
    download=True,			 	# 当本地路径中没有数据集时下载数据集
    transform=ToTensor(),		   # 设置转换函数
    target_transform=Lambda(lambda y: torch.zeros(10, dtype=torch.float).scatter_(0, torch.tensor(y), value=1))		 				# 将传入的参数y转换成one_hot编码
)

torchvision.transforms 中的 Lambda 是对用户自定义转换函数的封装，适用于提供的转换函数不符合自己使用要求的情况。

scatter_ 的两个接口 : scatter_(dim,index,value) 和 scatter_(dim,index,src) ，对其直接理解即 value 按 dim、 index 的规则索引替换调用者自身的值。

import torch
# 第一种形式
# 一维：当dim=0时，self[index[i]] = src[i]
torch.zeros(10).scatter_(0,index=torch.tensor([1,2,3]),src=torch.tensor([2.,3.,4.]))
# 运行结果：tensor([0.,2.,3.,4.,0.,0.,0.,0.,0.,0.])

'''二维:
self[index[i]][j] = src[i][j], # if dim == 0
self[i][index[j]] = src[i][j], # if dim == 1'''
x = torch.rand(2, 5)
# tensor([[0.1940, 0.3340, 0.8184, 0.4269, 0.5945],
#        [0.2078, 0.5978, 0.0074, 0.0943, 0.0266]])
torch.zeros(3, 5).scatter_(0, torch.tensor([[0, 1, 2, 0, 0], [2, 0, 0, 1, 2]]), src=x)
# 运行结果：tensor([[0.1940, 0.5978, 0.0074, 0.4269, 0.5945],
#        	[0.0000, 0.3340, 0.0000, 0.0943, 0.0000],
#        	[0.2078, 0.0000, 0.8184, 0.0000, 0.0266]])

'''三维：
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'''
# 举例同理按公式索引替换

# 第二种形式
# 举例
target_transform = Lambda(lambda y: torch.zeros(
    10, dtype=torch.float).scatter_(dim=0, index=torch.tensor(y), value=1))
target_transform(5)
# 运行结果：tensor([0.,0.,0.,0.,1.,0.,0.,0.,0.,0.])，应用场景：将label转换为one-hot编码

参考链接