torch中的索引，切片，连接，换位

import numpy as np
'''https://pytorch-cn.readthedocs.io/zh/latest/package_references/torch/#indexing-slicing-joining-mutating-ops'''

'https://pytorch-cn.readthedocs.io/zh/latest/package_references/torch/#indexing-slicing-joining-mutating-ops'

torch.cat(inputs, dimension=0) → Tensor
在给定维度上对输入的张量序列seq 进行连接操作。

torch.chunk(tensor, chunks, dim=0)
在给定维度(轴)上将输入张量进行分块儿.chunks 块数 需要被整除

torch.masked_select(input, mask, out=None) → Tensor
根据掩码张量mask中的二元值，取输入张量中的指定项( mask为一个 ByteTensor)，将取值返回到一个新的1D张量,
个人理解,这个和 用mask 相乘得到一个新的tensor 一样

torch.split(tensor, split_size, dim=0)
将输入张量分割成相等形状的chunks（如果可分）。 如果沿指定维的张量形状大小不能被split_size 整分， 则最后一个分块会小于其它分块.

torch.squeeze(input, dim=None, out=None)
将输入张量中的 1 去掉 例如 (1,2,1,4) -> (2,4)

torch.unsqueeze(input, dim, out=None)
返回一个新的张量，对输入的制定位置插入维度 1 例如 (2,4) - > (1,2,1,4)

torch.stack(sequence, dim=0)
沿着一个新维度对输入张量序列进行连接。 序列中所有的张量都应该为相同形状.

"""随机抽样 Random sampling"""

'随机抽样 Random sampling'

torch.manual_seed(seed)
设定生成随机数的种子，并返回一个 torch._C.Generator 对象.

torch.load(f, map_location=None, pickle_module=)
从磁盘文件中读取一个通过torch.save()保存的对象。 torch.load() 可通过参数map_location 动态地进行内存重映射，使其能从不动设备中读取文件

参数:

    f – 类文件对象 (返回文件描述符)或一个保存文件名的字符串
    map_location – 一个函数或字典规定如何remap存储位置
    pickle_module – 用于unpickling元数据和对象的模块 (必须匹配序列化文件时的pickle_module )

例子:

    >>> torch.load('tensors.pt')
    # Load all tensors onto the CPU
    >>> torch.load('tensors.pt', map_location=lambda storage, loc: storage)
    # Map tensors from GPU 1 to GPU 0
    >>> torch.load('tensors.pt', map_location={'cuda:1':'cuda:0'})

torch.ceil(input, out=None) → Tensor
天井函数，对输入input张量每个元素向上取整

torch.floor(input, out=None) → Tensor
床函数: 返回一个新张量，包含输入input张量每个元素的floor，即不小于元素的最大整数.

torch.exp(tensor, out=None) → Tensor
返回一个新张量，包含输入input张量每个元素的指数.

torch.log(input, out=None) → Tensor
计算input 的自然对数 log_e

torch.log1p(input, out=None) → Tensor
计算 input+1的自然对数 yi=log(xi+1),对值比较小的输入，此函数比torch.log()更准确.

torch.round(input, out=None) → Tensor
返回一个新张量，将输入input张量每个元素舍入到最近的整数.

torch.std(input) → float
返回输入张量input 所有元素的标准差.

torch.mean(input) → float
返回输入张量所有元素的均值.

torch.norm(input, p=2) → float
返回输入张量input 的p 范数.

torch.max()
torch.min(input) → float

torch.sort(input, dim=None, descending=False, out=None) -> (Tensor, LongTensor)
对输入张量input沿着指定维按升序排序。如果不给定dim，则默认为输入的最后一维。如果指定参数descending为True，则按降序排序

torch.histc(input, bins=100, min=0, max=0, out=None) → Tensor

计算输入张量的直方图。以min和max为range边界，将其均分成bins个直条，
然后将排序好的数据划分到各个直条(bins)中。如果min和max都为0, 则利用数据中的最大最小值作为边界