排序/前k大/前k小、finite/inf/nan判断、三角函数、统计函数、where、gather、index_select、masked_select、take、nonzero、cat、stack

一、函数

1. 排序/取前k大/取前k小

注意第二和第三函数的区别，前者为k个，后者为第k个

2. 判定是否为finite/inf/nan

3. 三角函数

4. Tensor中统计学相关的函数

5. tensor裁剪运算

裁剪运算可以用于对元素的范围约束，梯度裁剪（gradient clipping） 等

torch.clamp(input, min, max, out=None) → Tensor

返回范围内的一个tensor。可以使用 clamp 函数将不断增加、减小或随机变化的数值限制在一个范围内，结果的范围在[min, max]之间

• 如果参数位于最小数值和最大数值之间的数值范围内，则该函数将返回该参数值
• 如果参数大于范围，该函数将返回最大数值
• 如果参数小于范围，该函数将返回最小数值

二、索引和数据筛选

1. where

torch.where(condition, x, y) → Tensor

根据条件，返回从x，y中选择元素所组成的张量。如果满足条件，则返回x中元素；若不满足，返回y中元素。

②gather

torch.gather(input, dim, index, out=None) → Tensor

沿着张量的某个dim方向，按照index规定的选取指定元素，将与index同shape的矩阵填满，其输出形状与index相同

③index_select

torch.index_select(input, dim, index, out=None)→ Tensor

沿着张量的某个dim方向，按照index规定的选取指定的行或列，再将其拼接成一个张量

④masked_select

torch.masked_select(input, mask, out=None)→ Tensor

返回一个根据布尔掩码 (boolean mask) 索引输入张量的 1D 张量

masked_select 函数最关键的参数就是布尔掩码 mask，传入 mask 参数的布尔张量通过 True 和 False (或 1 和 0) 来决定输入张量对应位置的元素是否保留，既然是一一对应的关系，这就需要传入 mask 中的布尔张量和传入 input 中的输入张量形状要相同。这里需要注意此时的形状相同包括显式的相等，还包括隐式的相等

• 显式相等非常好理解，input.size() = mask.size()
• 隐式相等其实就是 PyTorch 中的广播机制，换句话说，传入 mask 参数的布尔张量和传入 input 参数的输入张量的形状可以不相等，但是这两个张量必须能够通过 PyTorch 中的广播机制广播成相同形状的张量

⑤take

torch.take(input, index)->Tensor

将输入张量视为视为一维张量，返回一个新的张量，其中的元素是输入元素在给定的索引处对应的值。结果tensor的形状与索引相同。

⑥nonzero

torch.nonzero(input, out = None)→ Tensor

返回的是不为零的值在其对应维度中的索引。

三、张量组合与拼接

1. cat

torch.cat(inputs, dim=0) → Tensor

在指定维度上对输入的张量进行连接操作，注意inputs输入如下

print(torch.cat((a, b), 0))

2. stack

torch.stack(inputs, dim=0) → Tensor

简单来说就是把多个2维的张量凑成一个3维的张量；多个3维的凑成一个4维的张量…以此类推，也就是在增加新的维度进行堆叠

要注意的是输入的inputs是一个序列，且序列内部的张量元素shape相同。
对于维度 0, 1, 2应该从外往里面看进去。在指定的维度对tensor进行叠加时，应该把该维度对应的个体看成是一个块，然后进行块的叠加

详细点击

其他

参考链接

• https://blog.csdn.net/baidu_38797690/article/details/122180655?spm=1001.2101.3001.6650.7&depth_1-utm_relevant_index=10

本文只用于个人学习与记录，侵权立删