PyTorch框架學習三——張量操作

• 一、拼接
• • 1.torch.cat()
  • 2.torch.stack()
• 二、切分
• • 1.torch.chunk()
  • 2.torch.split()
• 三、索引
• • 1.torch.index_select()
  • 2.torch.masked_select()
• 四、變換
• • 1.torch.reshape()
  • 2.torch.transpace()
  • 3.torch.t()
  • 4.torch.squeeze()
  • 5.torch.unsqueeze()

一、拼接

1.torch.cat()

功能：將tensor按照維度dim進行拼接，除了需要拼接的維度外，其余維度尺寸得是相同的。

torch.cat(tensors, dim=0, out=None)

看一下所有的參數：

tensors：需要被拼接的張量序列。

dim：（int，可選）被拼接的維度，默認為0。

>>> x = torch.randn(2, 3) >>> x tensor([[ 0.6580, -1.0969, -0.4614],[-0.1034, -0.5790, 0.1497]]) >>> torch.cat((x, x, x), 0) tensor([[ 0.6580, -1.0969, -0.4614],[-0.1034, -0.5790, 0.1497],[ 0.6580, -1.0969, -0.4614],[-0.1034, -0.5790, 0.1497],[ 0.6580, -1.0969, -0.4614],[-0.1034, -0.5790, 0.1497]]) >>> torch.cat((x, x, x), 1) tensor([[ 0.6580, -1.0969, -0.4614, 0.6580, -1.0969, -0.4614, 0.6580,-1.0969, -0.4614],[-0.1034, -0.5790, 0.1497, -0.1034, -0.5790, 0.1497, -0.1034,-0.5790, 0.1497]])

2.torch.stack()

功能：在新創建的維度dim上進行拼接，所有的張量必須是相同的維度。

torch.stack(tensors, dim=0, out=None)

注意：stack()會創建一個新的維度。

t = torch.ones((2, 3)) t_stack = torch.stack([t, t, t], dim=2) print("\nt_stack:{} shape:{}".format(t_stack, t_stack.shape))

原來t的維度是（2, 3），本來是沒有第三維的，但是stack()會構建新的dim=2，就是先構建第三維dim=2，然后在該維度上進行拼接。

二、切分

1.torch.chunk()

功能：將tensor按維度dim進行平均切分。如果不能整除，最后一份tensor在該維度上的長度小于其他tensor。

torch.chunk(input, chunks, dim=0)

input：要切分的張量。

chunks：要切分的份數。

dim：要切分的維度，默認為0。

a = torch.ones((2, 7)) # 7 list_of_tensors = torch.chunk(a, dim=1, chunks=3) # 3for idx, t in enumerate(list_of_tensors):print("第{}個張量：{}, shape is {}".format(idx+1, t, t.shape))

2.torch.split()

功能：將tensor按dim進行切分。

torch.split(tensor, split_size_or_sections, dim=0)

tensor：要切分的張量。

split_size_or_sections：（int或list(int)）為int時，表示每一份的長度，如果不能整除，最后一份的長度要小于其他的張量，為list時，按list元素來切分。

dim：同上。

>>> a = torch.arange(10).reshape(5,2) >>> a tensor([[0, 1],[2, 3],[4, 5],[6, 7],[8, 9]]) >>> torch.split(a, 2) (tensor([[0, 1],[2, 3]]),tensor([[4, 5],[6, 7]]),tensor([[8, 9]])) >>> torch.split(a, [1,4]) (tensor([[0, 1]]),tensor([[2, 3],[4, 5],[6, 7],[8, 9]]))

三、索引

1.torch.index_select()

功能：在dim上，按照index索引數據，返回一個依據index索引數據拼接的張量。

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

input：要索引的張量。

dim：被索引的維度。

index：一維張量，包括了要索引的數據序號。（long，不能是float）

out：輸出張量（可選）。

>>> x = torch.randn(3, 4) >>> x tensor([[ 0.1427, 0.0231, -0.5414, -1.0009],[-0.4664, 0.2647, -0.1228, -1.1068],[-1.1734, -0.6571, 0.7230, -0.6004]]) >>> indices = torch.tensor([0, 2]) >>> torch.index_select(x, 0, indices) tensor([[ 0.1427, 0.0231, -0.5414, -1.0009],[-1.1734, -0.6571, 0.7230, -0.6004]]) >>> torch.index_select(x, 1, indices) tensor([[ 0.1427, -0.5414],[-0.4664, -0.1228],[-1.1734, 0.7230]])

2.torch.masked_select()

功能：按照mask中的True進行索引，返回一個一維張量。

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

>>> x = torch.randn(3, 4) >>> x tensor([[ 0.3552, -2.3825, -0.8297, 0.3477],[-1.2035, 1.2252, 0.5002, 0.6248],[ 0.1307, -2.0608, 0.1244, 2.0139]]) >>> mask = x.ge(0.5) >>> mask tensor([[False, False, False, False],[False, True, True, True],[False, False, False, True]]) >>> torch.masked_select(x, mask) tensor([ 1.2252, 0.5002, 0.6248, 2.0139])

四、變換

1.torch.reshape()

功能：變換張量的形狀。

torch.reshape(input, shape)

input：輸入張量。

shape：新張量的形狀。當某個維度為-1時，表示該維度不用關心，可以從別的維度計算得到。

>>> a = torch.arange(4.) >>> torch.reshape(a, (2, 2)) tensor([[ 0., 1.],[ 2., 3.]]) >>> b = torch.tensor([[0, 1], [2, 3]]) >>> torch.reshape(b, (-1,)) tensor([ 0, 1, 2, 3])

2.torch.transpace()

功能：交換tensor的兩個維度。

torch.transpose(input, dim0, dim1)

input：輸入張量。

dim0和dim1：要交換的兩個維度。

>>> x = torch.randn(2, 3) >>> x tensor([[ 1.0028, -0.9893, 0.5809],[-0.1669, 0.7299, 0.4942]]) >>> torch.transpose(x, 0, 1) tensor([[ 1.0028, -0.1669],[-0.9893, 0.7299],[ 0.5809, 0.4942]])

3.torch.t()

功能：2維tensor轉置，對矩陣而言。等價于torch.transpose(input, 0, 1)。

torch.t(input) >>> x = torch.randn(()) >>> x tensor(0.1995) >>> torch.t(x) tensor(0.1995) >>> x = torch.randn(3) >>> x tensor([ 2.4320, -0.4608, 0.7702]) >>> torch.t(x) tensor([ 2.4320, -0.4608, 0.7702]) >>> x = torch.randn(2, 3) >>> x tensor([[ 0.4875, 0.9158, -0.5872],[ 0.3938, -0.6929, 0.6932]]) >>> torch.t(x) tensor([[ 0.4875, 0.3938],[ 0.9158, -0.6929],[-0.5872, 0.6932]])

注意：只對矩陣會轉置，對標量和向量都不會。

4.torch.squeeze()

功能：壓縮長度為1的維度（軸）。

torch.squeeze(input, dim=None, out=None)

input：輸入張量。

dim：（可選）若為None，移除所有長度為1的軸，若指定軸，當且僅當該軸長度為1時移除。

out：輸出張量。

>>> x = torch.zeros(2, 1, 2, 1, 2) >>> x.size() torch.Size([2, 1, 2, 1, 2]) >>> y = torch.squeeze(x) >>> y.size() torch.Size([2, 2, 2]) >>> y = torch.squeeze(x, 0) >>> y.size() torch.Size([2, 1, 2, 1, 2]) >>> y = torch.squeeze(x, 1) >>> y.size() torch.Size([2, 2, 1, 2])

5.torch.unsqueeze()

功能：返回一個新的張量，對輸入的指定位置插入維度 1。

torch.unsqueeze(input, dim) >>> x = torch.tensor([1, 2, 3, 4]) >>> torch.unsqueeze(x, 0) tensor([[ 1, 2, 3, 4]]) >>> torch.unsqueeze(x, 1) tensor([[ 1],[ 2],[ 3],[ 4]])

總結

以上是生活随笔為你收集整理的PyTorch框架学习三——张量操作的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。