Pytorch学习-2

张量拼接：

在PyTorch中，张量拼接主要有两种方法：torch.cat() 和 torch.stack()。这两种方法在功能上有所不同，但都用于将多个张量合并为一个张量。

1. torch.cat()

torch.cat(tensors, dim=0) 方法用于在给定维度上连接张量序列。这意味着所有被拼接的张量的形状（除了拼接的维度）必须相同。

• 参数：

  • tensors：一个张量序列。
  • dim：要拼接的维度。

• 示例：

  # 沿着行（维度0）拼接两个张量
  x = torch.tensor([[1, 2], [3, 4]])
  y = torch.tensor([[5, 6], [7, 8]])
  result = torch.cat([x, y], dim=0)
  print(result)
  # 输出：
  # tensor([[1, 2],
  #         [3, 4],
  #         [5, 6],
  #         [7, 8]])
  

  2. torch.stack()

  torch.stack(tensors, dim=0) 方法用于在新创建的维度上堆叠张量序列。这意味着所有被堆叠的张量必须具有完全相同的形状，torch.stack 添加的新维度将成为张量的一部分。

• 参数：

  • tensors：一个张量序列。
  • dim：新维度插入的位置。

• 示例：

  # 在新创建的维度上堆叠两个张量
  x = torch.tensor([1, 2])
  y = torch.tensor([3, 4])
  result = torch.stack([x, y], dim=0)
  print(result)
  # 输出：
  # tensor([[1, 2],
  #         [3, 4]])
  

  在 torch.cat 中，张量是沿着已存在的某个维度进行连接的，而 torch.stack 则是在张量序列之间添加一个新的维度进行堆叠，因此堆叠后的张量维度会增加。

  张量切分

在 PyTorch 中，张量切分主要通过两种方法实现：torch.chunk() 和 torch.split()。这两种方法都将一个张量分割成多个较小的张量，但它们在如何定义分割方式上有所不同。

1. torch.chunk()

torch.chunk(input, chunks, dim=0) 方法将张量分割成指定数量的块。如果原始张量在指定维度上不能均等分割成目标数量的块，则最后一个块会小于其他块。

• 参数：

  • input：要分割的张量。
  • chunks：希望得到的块的数量。
  • dim：要分割的维度。

• 示例：

  x = torch.tensor([[1, 2], [3, 4], [5, 6], [7, 8]])
  chunks = torch.chunk(x, 2, dim=0)
  for i, chunk in enumerate(chunks):
      print(f"Chunk {i}:\n {chunk}")
  # 输出：
  # Chunk 0:
  #  tensor([[1, 2],
  #         [3, 4]])
  # Chunk 1:
  #  tensor([[5, 6],
  #         [7, 8]])
  

  2. torch.split()

  torch.split(tensor, split_size_or_sections, dim=0) 方法根据给定的大小分割张量。split_size_or_sections 可以是单个整数，指定每个分割块的大小，或者是一个整数列表，指定每个块的具体大小。

• 参数：

  • tensor：要分割的张量。
  • split_size_or_sections：单个整数时，每个块的大小；整数列表时，每个块的具体大小。
  • dim：要分割的维度。

• 示例（使用单个大小值）：

  x = torch.tensor([[1, 2], [3, 4], [5, 6], [7, 8]])
  splits = torch.split(x, 2, dim=0)
  for i, split in enumerate(splits):
      print(f"Split {i}:\n {split}")
  # 输出：
  # Split 0:
  #  tensor([[1, 2],
  #         [3, 4]])
  # Split 1:
  #  tensor([[5, 6],
  #         [7, 8]])
  

  示例（使用大小列表）：

  x = torch.tensor([[1, 2], [3, 4], [5, 6], [7, 8], [9, 10]])
  splits = torch.split(x, [2, 1, 2], dim=0)
  for i, split in enumerate(splits):
      print(f"Split {i}:\n {split}")
  # 输出：
  # Split 0:
  #  tensor([[1, 2],
  #         [3, 4]])
  # Split 1:
  #  tensor([[5, 6]])
  # Split 2:
  #  tensor([[7, 8],
  #         [9, 10]])
  

  选择 torch.chunk() 还是 torch.split() 取决于你的具体需求：如果你需要将张量分割成大小大致相等的几部分，使用 torch.chunk()；如果你需要精确控制每个分割块的大小，使用 torch.split()。

 张量索引

在PyTorch中，张量索引允许你选择、修改、提取数据子集的功能非常强大且灵活。下面详细介绍张量索引的主要方法：

1. 基本索引和切片

与Python列表和NumPy数组相似，PyTorch张量也支持基本的索引和切片操作。

• 示例：

  x = torch.arange(10)  # 创建一个包含0到9的一维张量
  print(x[2:5])  # 从位置2到4的元素
  print(x[:5])  # 开始到位置4的元素
  print(x[5:])  # 位置5到结束的元素
  print(x[-1])  # 最后一个元素
  

  2. 高级索引

  高级索引允许你使用张量来选择数据。

• 整数数组索引：可以使用整数数组（列表或张量）进行索引，选择不连续的张量元素。

  y = torch.arange(12).view(3, 4)  # 创建一个形状为3x4的二维张量
  print(y[[0, 2], [2, 3]])  # 选择(0,2)和(2,3)位置上的元素
  

  布尔索引：使用布尔表达式可以选择符合特定条件的元素。

  print(y[y > 5])  # 选择所有大于5的元素

3. 选择操作（Fancy Indexing）

Fancy Indexing允许你使用整数列表进行索引。

• 示例：

  print(y[:, [1, 3]])  # 选择所有行的第1和第3列
  

4. 掩码操作

掩码操作允许你根据条件选择元素，这通常用于赋值或者提取子集。

mask = y > 5  # 创建一个布尔掩码
print(y[mask])  # 使用布尔掩码选择元素

5. 维度变换

PyTorch提供了许多操作来改变张量的形状，这虽然不严格是索引，但在处理张量时非常有用。

view：返回一个新的张量，具有相同的数据但大小不同。

z = torch.arange(10)
print(z.view(2, 5))  # 重塑为2x5的张量

unsqueeze：在指定位置添加一个维度。

print(z.unsqueeze(0))  # 在第0维添加一个维度

squeeze：移除所有长度为1的维度。

print(z.unsqueeze(0).squeeze(0))  # 移除第0维的单维度

6. 转置操作

转置可以改变张量的形状和维度顺序。

• t：对二维张量进行转置。

  a = torch.arange(6).view(2, 3)
  print(a.t())

• permute：对多维张量进行维度交换。

  b = torch.arange(24).view(2, 3, 4)
  print(b.permute(2, 0, 1))  # 交换维度