记录深度学习从0开始（二）

1、索引

张量的索引从维度出发，几个维度就写几个索引。

1.1、符号索引

pytorch中的索引基本遵循python的写法，[start: end: step],下面以一个三维张量为例：

import torch

t = torch.arange(12).reshape(2,2,3)
t

高维张量的理解：t 是一个3维张量，由2个二维张量构成，这两个二维张量都是由4个一维张量构成，每个一维张量都是由5个0维张量构成。

t[1,1,1]

上述表明，在第一个维度取第二个位置，第二个维度也取第二个位置，第三个维度同样如此,通俗来讲就是，索引张量t的第二个二维张量的第二行的第二列。就是零维张量tensor（10）

 t[::2,::2,::2]

在第一个维度从第一个元素步长为2取，在第二个维度以步长为2取，在第三个维度以步长为2取。故索引为t的第一个二维张量的第一行的第一列和第3列。

一维张量和二维张量就不谈了，类似处理即可。

1.2、函数索引

除了符号可以索引外，pytorch还提供了一些函数来进行索引

index = torch.tensor([0,1])
torch.index_select(t,2,index)

有 3 个参数，第一个时输入的tensor,第二个是维度，第三个是一个列表但是必须用张量表示即一维张量，这个函数索引太不方便了，直接使用符号索引即可，上述结果表明索引t的第3个维度即列，每个2维变量的每一行的第一列和第二列

t[:,:,0:2]

2 、切片

2.1 view()视图

torch.view()

该方法返回一个视图，占用的内存小，随着原始张量的改变而改变。

2.2、分片chunk函数

均分函数chunk

torch.chunk(t,3,dim=2)

在第三个维度上对张量t进行3等分

torch.chunk(t,4,dim=2)

如果不能均分，chunk函数会自动向下补齐，4不行就3，3不行就 2，直至能均分为止。

2.3、split函数

split函数既能均分也能自定义分

torch.split(t,[1,2],2)

在第三个维度上对张量t按照【1：2】的比例分片

torch.split(t,[1,1,1],2)

在第三个维度上对张量t按照【1：1：1】的比例分片

3、张量的合并

3.1、拼接函数cat

a = torch.zeros(2,3)
b = torch.ones(2,3)
torch.cat([a,b]) #dim默认取0 

torch.cat([a,b],dim=1)

注：shape不一样时会报错

c = torch.ones(3,2)
torch.cat([a,c])

3.2、堆叠函数stack

torch.stack([a,b])

a和b分别是维度相同的二维张量，stack函数将二者堆叠形成了一个3维张量，这就是cat和stack的区别。

4 、维度的变换

上一节记录了reshaoe方法改变了张量的维度，这里介绍两个函数，squeeze函数(降维)和unsqueeze（升维）函数
比较好理解。删除不必要的维度，升一个不必要的维度

  a = torch.arange(12)
  a

此时a是一个一维张量由12个零维张量构成

b =torch.unsqueeze(a,dim=0) #在第一个维度处升维
b

c = torch.unsqueeze(b,dim =2)
c

经过两次升维，此时张量c是一个3维张量

torch,squeeze(c)

squeeze函数去掉不必要的维度后又变成一维张量了。