pytorch学习笔记2-张量的操作

最新推荐文章于 2024-08-20 13:09:25 发布

berry丶

最新推荐文章于 2024-08-20 13:09:25 发布

阅读量380

点赞数

分类专栏： pytorch学习

本文链接：https://blog.csdn.net/zbr794866300/article/details/110929285

版权

pytorch学习专栏收录该内容

8 篇文章 2 订阅

订阅专栏

张量的操作

1.张量的拼接与切分

（1）张量拼接

1. torch.cat（）：将张按维度dim尽心拼接

参数:tensors：张量序列， dim拼接维度


t = torch.ones(2, 3)
t_0 = torch.cat([t, t], dim=0)
t_1 = torch.cat([t, t], dim=1)

print("t_0:{} shape:{}\nt_1:{} shape:{}".format(t_0, t_0.shape, t_1, t_1.shape))

#运行效果
t_0:tensor([[1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.],
        [1., 1., 1.]]) shape:torch.Size([4, 3])
t_1:tensor([[1., 1., 1., 1., 1., 1.],
        [1., 1., 1., 1., 1., 1.]]) shape:torch.Size([2, 6])

2. torch.stack（）创建新的维度，在新的维度上进行拼接，会扩展张量维度

参数：tensors：张量序列， dim拼接维度

t = torch.ones(2, 3)
t_stack = torch.stack([t, t], dim=2)

print("\nt_stack:{} shape:{}".format(t_stack, t_stack.shape))

#运行效果
t_stack:
tensor([[[1., 1.],
         [1., 1.],
         [1., 1.]],

        [[1., 1.],
         [1., 1.],
         [1., 1.]]]) 
shape:
torch.Size([2, 3, 2])

Process finished with exit code 0

（2）张量切分

1. torch.chunk() 按照制定维度dim进行平均切分，若不能整除，最后一份张量小于其他张量

参数： input：要切分张量 chunks:要切分份数 dim：要切分的维度

a = torch.ones(2, 5)
list_of_tensors = torch.chunk(a, dim=1, chunks=2)

for idx, t in enumerate(list_of_tensors):
    print("第{}个张量：{}，shape is{}".format(idx+1, t, t.shape))


#运行效果

 第1个张量：tensor([[1., 1., 1.],
        [1., 1., 1.]])，shape istorch.Size([2, 3])
第2个张量：tensor([[1., 1.],
        [1., 1.]])，shape istorch.Size([2, 2])

2. torch.split() 将张量按维度进行切分，可以指定切分长度,可以按列表的形式切分

参数： tensor:要切分张量 split_size_or_sections：为int时，表示每一份的长度为list时按list元素切分 dim:切分维度

t = torch.ones(2, 5)
# list_of_tensors = torch.split(t, 2, dim=1)
list_of_tensors = torch.split(t, [2, 1, 1, 1], dim=1)
for idx, t in enumerate(list_of_tensors):
    print("第{}个张量：{}，shape is{}".format(idx+1, t, t.shape))

#运行效果

第1个张量：tensor([[1., 1.],
        [1., 1.]])，shape istorch.Size([2, 2])
第2个张量：tensor([[1.],
        [1.]])，shape istorch.Size([2, 1])
第3个张量：tensor([[1.],
        [1.]])，shape istorch.Size([2, 1])
第4个张量：tensor([[1.],
        [1.]])，shape istorch.Size([2, 1])

2.张量索引

1. torch.index_select() 在维度dim上，按index索引数据，返回值index索引数据拼接的张量,idx必须为long类型

参数：input:要索引的张量 dim：要索引的维度 index：要索引的数据序号

t = torch.randint(0, 9, size=(3, 3))
idx = torch.tensor([0, 2], dtype=torch.long)
t_select = torch.index_select(t, dim=0, index=idx)
print(idx)
print("t:\n{}\nt_select:\n{}".format(t, t_select))
print(t_select.shape)

#运行效果
tensor([0, 2])
t:
tensor([[0, 0, 1],
        [6, 3, 4],
        [7, 5, 1]])
t_select:
tensor([[0, 0, 1],
        [7, 5, 1]])
torch.Size([2, 3])

2. torch.masked_select() 按照mask中的Ture进行索引，返回一维张量

参数： input:要索引的张量 mask:与input同形状的bool形张量

t = torch.randint(0, 9, (3, 3))
mask = t.ge(5) # 大于等于5的为ture  gt le lt
t_select = torch.masked_select(t, mask)
print("t:\n{}\nmask:\n{}\nsleect:\n{}".format(t, mask, t_select))


#运行结果
t:
tensor([[7, 1, 4],
        [1, 3, 4],
        [2, 5, 5]])
mask:
tensor([[ True, False, False],
        [False, False, False],
        [False,  True,  True]])
sleect:
tensor([7, 5, 5])

3.张量变换

1. torch.reshape() 变换张量形状，改变之后的张量和之前的张量共享地址

参数： input：变换张量 shape:新张量的形状

t = torch.randperm(8)
t_reshape = torch.reshape(t, (2, 4)) # 新的张量的大小要和之前的匹配 例如：1*8=2*4
# t_reshape = torch.reshape(t, (-1, 4)) #-1就不需要关心长度
print("t:\n{}\nt_reshape:\n{}".format(t, t_reshape))

# 此处改变之后的张量和之前的张量共享地址，修改t[0] reshape的第一个元素值也发生变换
t[0] = 1024
print("t:\n{}\nt_reshape:{}\n".format(t, t_reshape))
print("t.data 内存地址:{}".format(id(t.data)))
print("T_reshape.data 内存地址：{}".format(id(t_reshape.data)))

#运行效果

t:
tensor([2, 4, 5, 3, 7, 6, 0, 1])
t_reshape:
tensor([[2, 4, 5, 3],
        [7, 6, 0, 1]])
t:
tensor([1024,    4,    5,    3,    7,    6,    0,    1])
t_reshape:tensor([[1024,    4,    5,    3],
        [   7,    6,    0,    1]])

t.data 内存地址:140201125808720
T_reshape.data 内存地址：140201125808720

Process finished with exit code 0

2. torch.transpose() 交换张量的两个维度dim0和dim1交换

参数：input:要变换的张量 dim0:要交换的维度 dim1 ：要交换的维度

t = torch.rand((2, 3, 4))
t_transpose = torch.transpose(t, dim0=1, dim1=2) #c×h×w  -> h*w*c
#print("t:\n{}\nt_transpose:\n{}".format(t, t_transpose))
print("t.shape:{}\nt_transpose.shape:{}".format(t.shape, t_transpose.shape))


#运行结果
t.shape:torch.Size([2, 3, 4])
t_transpose.shape:torch.Size([2, 4, 3])

3. torch.t() 2维张量转置，对矩阵而言等价于 torch.transpose(input , 0 ,1)

t = torch.rand((2, 4))
t_t = torch.t(t)
print("t:\n{}\nt_t:\n{}".format(t, t_t))
print("t.shape:{}\nt_t.shape:{}".format(t.shape, t_t.shape))

#运行效果
t:
tensor([[0.4730, 0.9863, 0.2210, 0.2282],
        [0.7951, 0.5498, 0.4361, 0.4551]])
t_t:
tensor([[0.4730, 0.7951],
        [0.9863, 0.5498],
        [0.2210, 0.4361],
        [0.2282, 0.4551]])
t.shape:torch.Size([2, 4])
t_t.shape:torch.Size([4, 2])

4. torch.spqueezs() 压缩长度为1的维度长度为1的维度都被移除了【1,2,3,1】->【2,3】当dim具体为那个维度时，如果该维度长度为1 则被移除，否则不变

t = torch.rand((1, 2, 3, 1))
t_sq = torch.squeeze(t)
t_0 = torch.squeeze(t, dim=0)
t_1 = torch.squeeze(t, dim=1)

print(t.shape)
print(t_sq.shape)
print(t_0.shape)
print(t_1.shape)

#运行结果
torch.Size([1, 2, 3, 1])
torch.Size([2, 3])
torch.Size([2, 3, 1])
torch.Size([1, 2, 3, 1])

5. torch.unsqueeze() 依据dim扩展维度在dim指定出扩展一个长度为1的维度

t = torch.rand((3, 2))
t_unsq = torch.unsqueeze(t, dim=0)
t_2 = torch.unsqueeze(t, dim=1)
print("t: {}\nt_unsq: {}\nt_1: {}".format(t.shape, t_unsq.shape, t_2.shape))

#运行效果
t: torch.Size([3, 2])
t_unsq: torch.Size([1, 3, 2])
t_1: torch.Size([3, 1, 2])

4. 张量数学运算

1. 加减乘除 2.对数指数幂函数 3.三角函数。常规的可以具体使用时查阅，以下介绍三种特殊的

# torch.add 计算 input+alpha*other
# torch.addcdiv 加法结合乘法 out=input+value*(tensor1/tensor2)
# torch.addcmul 加法结合除法 out=input+value*tensor1*tensor2
t_0 = torch.randn((3, 3))
t_1 = torch.ones_like(t_0)
t_add = torch.add(t_0, 10, t_1)
t_ad = torch.addcdiv(t_0, 10, torch.tensor(t_0), torch.tensor(t_1))
t_am = torch.addcmul(t_0, 10, torch.tensor(t_0), torch.tensor(t_1))
print("t_0:\n{}\nt_1:\n{}\nt_add:\n{}".format(t_0, t_1, t_add))
print("t_0:\n{}\nt_1:\n{}\nt_ad:\n{}".format(t_0, t_1, t_ad))
print("t_0:\n{}\nt_1:\n{}\nt_am:\n{}".format(t_0, t_1, t_am))