Pytorch基础学习（一）

第一章主要介绍pytorch对张量的索引,切片,连接,换位

一、torch.cat

1.语法

torch.cat(input, dimention=0) --> Tensor
参数：
inputs (sequence of Tensors) – 可以是任意相同Tensor 类型的python 序列
dimension (int, optional) – 沿着此维连接张量序列。

2.举例（分别按行、列进行连接）
按行——表示dim=0
按列——表示dim=1

import torch
x=torch.tensor([[1,2],[3,4]])   #生成一个2*2的张量
print(x)
row_x=torch.cat((x,x,x), dim=0)  #按行连接x,x,x
print(row_x)
col_x=torch.cat((x,x,x), dim=1)  #按列连接x,x,x
print(col_x)

输出如下，依次是x、row_x、col_x

二、torch.index_select

1.语法

torch.index_select(input, dimention=0, index=indice) -->Tensor
参数：
input 待切片的张量
dim   按照dim维度进行切片
index 待切片索引

沿着指定维度对输入进行切片，取index中指定的相应项(index为一个LongTensor)，然后返回到一个新的张量， 返回的张量与原始张量_Tensor_有相同的维度(在指定轴上)。

2.举例（分别按行、列进行切片）

按行——表示dim=0
按列——表示dim=1

x=torch.randn([3,4])  #随机生成一个3行4列的张量
print(x)
indice=LongTensor([0,2])  #设置index值为0、2
row_x=torch.index_select(x, dim=0, index=indice)  #按行切片
print(row_x)
col_x=torch.index_select(x, dim=1, index=indice)  #按列切片
print(col_x)

输出结果如下，依次是x、row_x、col_x

三、torch.nonzero

1.语法

torch.nonzero(input, out=None) → LongTensor
参数：
input (Tensor) – 源张量
out (LongTensor, optional) – 包含索引值的结果张量
返回一个包含输入input中非零元素索引的张量。输出张量中的每行包含输入中非零元素的索引。

2.举例

import torch
x=torch.tensor([[0.6, 0.0, 0.0, 0.0],
                [0.0, 0.4, 0.0, 0.0],
                [0.0, 0.0, 1.2, 0.0],
                [0.0, 0.0, 0.0,-0.4]])   #生成一个4*4的张量
nonz_x=torch.nonzero(x) 				#返回张量x的非零项索引
print(nonz_x)

输出结果如下：

四、torch.split

1.语法

torch.split(tensor, split_size, dim=0)
参数：
tensor   #待分块张量
split_size   #分块尺寸
dim          #按dim维度进行分块
将输入张量分割成相等形状的chunks（如果可分）。 如果沿指定维的张量形状大小不能被split_size 整分， 则最后一个分块会小于其它分块。

2.举例（分别按行、按列进行分块）

x=torch.randn([3,4])
print(x)
row_x=torch.split(x, 2, dim=0)
print(row_x)
col_x=torch.split(x, 2, dim=1)
print(col_x)

输出结果如下，依次为x、row_x、col_x

五、torch.squeeze

1.语法

torch.squeeze(input, dim=None, out=None)
参数：
input (Tensor) – 输入张量
dim (int, optional) – 如果给定，则input只会在给定维度挤压
out (Tensor, optional) – 输出张量
将输入张量形状中的1去除并返回。 如果输入是形如(A×1×B×1×C×1×D)，那么输出形状就为： (A×B×C×D)
当给定dim时，那么挤压操作只在给定维度上。例如，输入形状为: (A×1×B), squeeze(input, 0) 将会保持张量不变，只有用 squeeze(input, 1)，形状会变成 (A×B)

2.举例

x = torch.zeros(2,1,2,1,2)     #生成一个2*1*2*1*2的张量
print(x.shape)
sq_x=torch.squeeze(x)		#对x张量形状中的1去除并返回
print(sq_x)
sq_x_dim=torch.squeeze(x, dim=3)  #对x张量中第3维中的1去除并返回
print(sq_x_dim)

输出结果如下，依次是x、sq_x、sq_x_dim张量的形状