torch记录：张量、采样、操作
-
- Tensors (张量)
- Indexing, Slicing, Joining, Mutating Ops (索引, 切片, 连接, 换位) 操作
- Math operations (数学操作)
- Other Operations (其它操作)
参考：http://pytorch.apachecn.org/cn/0.3.0/torch.html#
Tensors (张量)
torch.zeros(*sizes, out=None) → Tensor
返回填充了标量值为 0 的 Tensor, 其形状由可变参量 sizes 定义.
例子：
>>> torch.zeros(2, 3)
0 0 0
0 0 0
[torch.FloatTensor of size 2x3]Indexing, Slicing, Joining, Mutating Ops (索引, 切片, 连接, 换位) 操作
torch.cat(seq, dim=0, out=None) → TensorParameters:
seq (sequence of Tensors) – 可以是任何相同类型的 Tensor 的 Python 序列.
dim (int, optional) – tensors 级联的维数
out (Tensor, optional) – 输出参数
例子：
>>> x = torch.randn(2, 3)
>>> x
0.5983 -0.0341 2.4918
1.5981 -0.5265 -0.8735
[torch.FloatTensor of size 2x3]
>>> torch.cat((x, x, x), 0)
0.5983 -0.0341 2.4918
1.5981 -0.5265 -0.8735
0.5983 -0.0341 2.4918
1.5981 -0.5265 -0.8735
0.5983 -0.0341 2.4918
1.5981 -0.5265 -0.8735
[torch.FloatTensor of size 6x3]
>>> torch.cat((x, x, x), 1)
0.5983 -0.0341 2.4918 0.5983 -0.0341 2.4918 0.5983 -0.0341 2.4918
1.5981 -0.5265 -0.8735 1.5981 -0.5265 -0.8735 1.5981 -0.5265 -0.8735
[torch.FloatTensor of size 2x9]torch.squeeze(input, dim=None, out=None) → TensorReturns a tensor with all the dimensions of input of size 1 removed.
For example, if input is of shape: (A×1×B×C×1×D) then the out tensor will be of shape: (A×B×C×D).
Note
作为上述的一个例外,size 为 1 的一维张量不会改变维度.
返回张量与输入张量共享内存,所以改变其中一个的内容会改变另一个.
Parameters:
input (Tensor) – 输入张量
dim (int, optional) – 如果给定 dim 时,则 input 只会在给定维度执行挤压
out (Tensor, optional) – 结果张量
例子：
x = torch.zeros(2,1,2,1,2)
print(x.size())
y = torch.squeeze(x)
print(y.size())
y = torch.squeeze(x, 0)
print(y.size())
# 第二个维度做压缩
y = torch.squeeze(x, 1)
print(y.size())
torch.Size([2, 1, 2, 1, 2])
torch.Size([2, 2, 2])
torch.Size([2, 1, 2, 1, 2])
torch.Size([2, 2, 1, 2])Math operations (数学操作)
Other Operations (其它操作)
torch.bmm(batch1, batch2, out=None) → Tensor执行保存在 batch1 和 batch2 中的矩阵的批量点乘.
batch1 和 batch2 必须是三维的张量, 且每个包含相同数量的矩阵.
如果 batch1 是一个 b x n x m 的张量, batch2 是一个 b x m x p 的张量, out 将是一个 b x n x p 的张量.
Parameters:
batch1 (Tensor) – 要相乘的第一批矩阵
batch2 (Tensor) – 要相乘的第二批矩阵
out (Tensor, optional) – 输出结果
例子：
# batch1：10个2*1的矩阵
batch1 = torch.randn(10, 2, 1)
batch2 = torch.randn(10, 1, 3)
res = torch.bmm(batch1, batch2)
res.size()
torch.Size([10, 2, 3])print(batch1[0,:,:]*batch2[0,:,:])
print(res[0,:,:])
tensor([[-0.7956, 0.7705, 1.9109],
[-1.3829, 1.3391, 3.3212]])
tensor([[-0.7956, 0.7705, 1.9109],
[-1.3829, 1.3391, 3.3212]])torch.eig(a, eigenvectors=False, out=None) -> (Tensor, Tensor)计算实数方阵的特征值和特征向量.
Parameters:
a (Tensor) – 一个要被计算特征值与特征向量的方阵
eigenvectors (bool) – 若为 True, 表示特征值与特征向量都被计算. 否则, 仅计算特征值.
out (tuple, optional) – 输出张量
Returns:
包含
e (Tensor): a 的左特征值
v (Tensor): 如果 eigenvectors 为 True, 表示 a 的特征向量;
否则是一个空的张量
例子：
matrix = torch.randn(2,2)
torch.eig(matrix)
(tensor([[-2.1827, 0.0000],
[ 1.9254, 0.0000]]), tensor([]))