深度学习笔记（二）——对Tensor创建、修改、索引操作的整理

Tensor概述

对Tensor的操作很多，从接口角度来划分，可以分为两类：
（1）torch.function；（2）tensor.function
这些操作对大部分Tensor都是等价的，如：torch.add(x,y)与x.add(y)等价。
如果从修改方式的角度来划分，可以分为以下两类。
（1）不修改自身数据，如x.add(y)，x的数据不变，返回一个新的Tensor。
（2）修改自身数据，如x.add_(y)（运行符带下划线后缀），运算结果存在x中，x被修改。

import torch
x = torch.tensor([1, 2])
y = torch.tensor([3, 4])
z = x.add(y)
print(z)
print(x)
x.add_(y)
print(x)

输出结果

创建Tensor

函数	功能
Tensor(*size)	直接从参数构造一个的张量，支持List，Numpy数组
eye(row, column)	创建指定行数，列数的二维单位Tensor
linspace(start, end, steps)	从start到end，均匀切分成steps份
logspace(start, end steps)	从$10^{start}$到$10^{end}$，均分分成steps份
rand/randn(*size)	生成$[0,1)$均匀分布/标准正态分布数据
ones(*size)	返回指定shape的张量，元素初始为1
zeros(*size)	返回指定shape的张量，元素初始为0
ones_like(t)	返回与T的shape相同的张量，且元素初始为1
zeros_like(t)	返回与T的shape相同的张量，且元素初始为0
arange(start, end, step)	在区间$[start,end)$上一间隔step生成一个序列张量
from_Numpy(ndarry)	从ndarry创建一个Tensor

这里不再给出示例，只说明有关torch.Tensor与torch.tensor的几点区别：
（1）torch.Tensor是torch.empty和torch.tensor之间的一种混合，但是当传入数据时，torch.Tensor使用全局默认dtype(FloatTensor)，而torch.tensor是从数据中推断数据类型。
（2）torch.tensor(1)返回一个固定值1，而torch.Tensor(1)返回一个大小为1的张量，它是随机初始化的值。

修改Tensor形状

函数	说明
size()	返回张量的shape属性值，与函数shape（0.4版新增）等价
numel(input)	计算Tensor元素个数
view(*shape)	修改Tensor的shape，与reshape类似，但view返回的对象与源Tensor共享内存，修改一个，另一个同时修改。Reshape将生成新的Tensor，而且不要求源Tensor是连续的。view(-1)展平数组
resize	类似于view，但在size超出时会重新分配内存空间
item	若Tensor为单元素，则返回python的标量
unsqueeze	在指定维度增加一个“1”
squeeze	在指定维度压缩一个"1"

这里说明两个问题

torch.view与torch.reshape的异同

（1）reshape()可以有torch.reshape()，也可由torch.Tensor.reshape()调用。但view()只可由torch.Tensor.view()来调用。
（2）对于一个将要被view的Tensor，新的size必须与原来的size与stride兼容。否则在view之前必须调用contiguous()方法。
（3）同样也是返回与input数据量相同，但形状不同的Tensor。若满足view的条件，则不会copy，若不满足，则会copy。
（4）如果你只想重塑张量，请使用torch.reshape。如果你还关注内存使用情况并希望确保两个张量共享相同的数据，请使用torch.view。

unsqueeze函数的参数

import torch
x = torch.randn(2, 3)
y = x.view(-1)
z1 = torch.unsqueeze(y, 0)
z2 = torch.unsqueeze(y, 1)
z3 = torch.unsqueeze(y, -1)
z4 = torch.unsqueeze(y, -2)

输出结果

经过实验，发现z1与z4等价（都是16），z2与z3等价（都是61）。这也不难记忆，因为根据函数使用规则，第二个参数只能取[-2, 1]四个整数值，按照大小排列：-2，-1,0，1，依次对应16、61、16、61，交替出现。

索引操作

Tensor的索引操作与Numpy类似，一般情况下索引结果与源数据共享内存。从Tensor获取元素除了可以通过索引，也可以借助于一些函数。

函数	说明
index_select(input,dim, index)	在指定维度上选择一些行或列
nonzero(input)	获取非0元素的下标
masked_select(input, mask)	使用二元值进行选择
gather(input,dim,index)	在指定维度上选择数据，输出的形状与index（index的类型必须是LongTensor类型的）一致
scatter_(input,dim, index, src)	为gather的反操作，根据指定索引补充数据

import torch
# 设置一个随机种子
torch.manual_seed(100)
# 生成一个形状为2*3的矩阵
x = torch.randn(2, 3)
# 根据索引获取第1行，所有数据
x[0, :]
# 获取最后一列数据
x[:, -1]
# 生成是否大于0的Byter张量
mask = x> 0
# 获取大于0的值
torch.masked_select(x, mask)
# 获取非0下标，即行，列索引
torch.nonzero(mask)
# 获取指定索引对应的值
index = torch.LongTensor([[0, 1, 1]])
torch.gather(x, 0, index)
index = torch.LongTensor([[0, 1, 1], [1, 1, 1]])
a = torch.gather(x, 1, index)
# 把a的值返回到一个2*3的0矩阵中
z = torch.zeros(2, 3)
z.scatter_(1, index, a)

因为时间原因😅，这里没能详细介绍有关¹：index_select、gather函数及其中index参数的用法（也是花了点时间才想明白😅），这里先强调一点：index参数要求是torch.LongTensor类型的。

参考文献

吴茂贵,郁明敏,杨本法,李涛,张粤磊. Python深度学习（基于Pytorch）. 北京:机械工业出版社,2019.

---

1. 后面会有单独一篇文章对索引操作函数及其规则做出详细介绍，同时上述程序运行结果也会在该文章中给出。 ↩︎