pytorch的数组操作
本文是记录自己学习中的一些小知识，比较散
a = torch.randn(4, 3, 28, 28)
print(a[:2].shape)
#out: torch.Size([2, 3, 28, 28])a[:2] 这里是指，a的第0维中，0到2，不包含2的数据，其他维度默认取全部，等效于a[:2, :, :, :]
让然，很明显，a[:, :, :, :]， 这个能控制自己想要去取出的数据
另一个有意思的是，维度中出现的负数。
比如：a[-1:],这个是指 a的0维，从最后一个，取到最后，也就是取最后一个。
a[-2:,],这个是指a的0维，从倒数第二个，取到最后一个
正常情况下，a中第0维有4个数据，也就是0,1,2,3 ，当序号是正数时，对应就是0,1,2,3，序号是负数时，对应是-4，-3，-2，-1
步长控制
print(a[:, :, 0:28:2, 0:28:2].shape)
#out： torch.Size([4, 3, 14, 14])这里是取，a的第2维度，从2取到28（不包括28），以步长为2
这里步长的写法与matlab稍有区别：
matlab ： start: step: end
pytorch : start: end: step
三个点 ...
代表省略，根据实际情况推测，有时候，省略中间，或者前面的一些维度比较方便
a[..., :2]
维度变换
使用permute函数，可以交换原来的维度~
tensor合并
1. cat 将某一维度合并，其余维度要一致；
也就是将tensor在指定的维度拼接起来，不会增加新的维度
a = torch.randn(4, 3, 28, 28)
b = torch.randn(3, 3, 28, 28)
c = torch.cat([a, b], dim= 0)
print(c.shape)
#out: torch.Size([7, 3, 28, 28])2. Stack
拼接两个tensor，并且给出一个新的维度，要求是拼接的tensor原来的维度都必须一致
a = torch.randn(4, 3, 28, 28)
b = torch.randn(4, 3, 28, 28)
c = torch.stack([a, b], dim= 0)
print(c.shape)
#out： torch.Size([2, 4, 3, 28, 28])tensor拆分
1.split 在指定的维度，分割为指定的数量
a = torch.randn(4, 3, 28, 28)
#将第0维的4分割为2+1+1， 如果长度都一样，只用给一个长度的值就行
a1, a2, a3 = a.split([2, 1, 1], dim=0)
print(a1.shape, '\n', a2.shape, '\n', a3.shape )
#out : torch.Size([2, 3, 28, 28])
#out : torch.Size([1, 3, 28, 28])
#out : torch.Size([1, 3, 28, 28])2. chunk 是在指定维度的，分割为指定的数量，指定的那个维度的数量必须被分割数量整除
a = torch.randn(12, 28, 28)
a1, a2, a3, a4 = a.chunk(4, dim=0)
print(a1.shape)
print(a2.shape)
print(a3.shape)
print(a4.shape)
#out: torch.Size([3, 28, 28])
#out: torch.Size([3, 28, 28])
#out: torch.Size([3, 28, 28])
#out: torch.Size([3, 28, 28])