【Pytorch笔记】2.张量操作
参考视频：
深度之眼官方账号 - 01-03-mp4-张量操作与线性回归
torch.cat()
功能：将两个tensor按照给定的维度进行拼接。
torch.cat(tensors,
dim=0,
out=None)
tensors：包含一坨tensor的list或tuple；
dim：指定拼接的维度；
out：输出到哪个tensor中。
import numpy as np
import torch
t1 = torch.ones((4, 4))
t2 = torch.zeros((4, 3))
t3 = torch.cat((t1, t2), dim=1)
print(t3)
输出：
tensor([[1., 1., 1., 1., 0., 0., 0.],
[1., 1., 1., 1., 0., 0., 0.],
[1., 1., 1., 1., 0., 0., 0.],
[1., 1., 1., 1., 0., 0., 0.]])
torch.stack()
功能：将多个tensor按照指定的维度进行堆叠（stack），创建一个新的张量。
torch.stack(tensors,
dim=0,
out=None)
import numpy as np
import torch
t1 = torch.ones((2, 2))
t2 = torch.zeros((2, 2))
t3 = torch.stack((t1, t2), dim=2)
print(t3)
输出：
tensor([[[1., 0.],
[1., 0.]],
[[1., 0.],
[1., 0.]]])
两个tensor只能在dim维度上不同，其他维度的大小必须相同。
torch.chunk()
功能：将一个tensor在给定维度上进行均等切分，若不能均等切分，最后一份切片的大小小于其他切片。
torch.chunk(input,
chunks,
dim=0)
input：被切分的tensor；
chunks：切分份数；
dim：在dim维度上进行切分
import numpy as np
import torch
t1 = torch.ones((4, 2))
t_list = torch.chunk(t1, chunks=2, dim=0)
print(t_list)
输出：
(tensor([[1., 1.],
[1., 1.]]), tensor([[1., 1.],
[1., 1.]]))
torch.split()
功能：将tensor按照给定的长度进行切分。
torch.split(tensor,
split_size_or_sections,
dim=0)
split_size_or_sections：如果是int，则切出的长度全为这个值；如果是列表，则按列表中的数作为尺寸来切。
dim：在dim维度上进行切分。
import numpy as np
import torch
t1 = torch.ones((4, 2))
t_list = torch.split(t1, (1, 2, 1), dim=0)
print(t_list)
输出：
(tensor([[1., 1.]]), tensor([[1., 1.],
[1., 1.]]), tensor([[1., 1.]]))
torch.index_select()
功能：在维度dim上，按index索引数据，返回依据index索引拼接的tensor。
torch.index_select(input,
dim,
index,
out=None)
input：待搜索数据的tensor；
dim：在维度dim上的维度；
index：包含所有索引需求的tensor。
import numpy as np
import torch
t1 = torch.tensor([[2, 3], [4, 5], [6, 7]])
t2 = torch.tensor([0, 2])
t_out = torch.index_select(t1, dim=0, index=t2)
print(t_out)
输出：
tensor([[2, 3],
[6, 7]])
torch.masked_select()
功能：在维度dim上，按mask索引数据，返回依据mask索引拼接的tensor。
torch.masked_select(input,
mask,
out=None)
input：待搜索数据的tensor；
mask：在维度dim上需要索引的位置为True，不需要索引的位置为False，形成一个全为布尔量的tensor。该tensor与input同形状。
import numpy as np
import torch
t1 = torch.tensor([[2, 3], [4, 5], [6, 7]])
t2 = torch.tensor([[True, False],[True, True], [False, True]])
t_out = torch.masked_select(t1, mask=t2)
print(t_out)
输出
tensor([2, 4, 5, 7])
torch.reshape()
功能：变换张量形状。
（当张量在内存中连续时，reshape后的tensor将存储在原来的地址内）
torch.reshape(input,
shape)
input：待变换形状的tensor；
shape：变换后的形状。（形状中至多一位可以填为-1，由于原tensor中的元素数量是固定的，-1的位置应该填写的数会自动算出）
import numpy as np
import torch
t1 = torch.tensor([[2, 3, 4], [5, 6, 7]])
t2 = torch.reshape(t1, (3, 2))
print(t2)
输出：
tensor([[2, 3],
[4, 5],
[6, 7]])
torch.transpose()
功能：交换张量的两个维度。
torch.transpose(input,
dim0,
dim1)
dim0、dim1：被交换的两个维度。
import numpy as np
import torch
t = torch.tensor([[2, 3, 4], [5, 6, 7]])
t1 = torch.transpose(t, 0, 1)
print(t1)
输出：
tensor([[2, 5],
[3, 6],
[4, 7]])
torch.t()
功能：仅限于二维tensor的维度交换。
（二维tensor中，等价于torch.transpose(input, 0, 1)）
torch.t(input)
input：待进行维度交换的tensor。
import numpy as np
import torch
t = torch.tensor([[2, 3, 4], [5, 6, 7]])
t1 = torch.t(t)
print(t1)
输出：
tensor([[2, 5],
[3, 6],
[4, 7]])
torch.squeeze()
功能：压缩维度为1的轴。
torch.squeeze(input,
dim=None,
out=None)
dim：指定维度进行压缩，这个维度的长度必须为1。
import numpy as np
import torch
t = torch.tensor([[2], [3], [4], [5], [6]])
t1 = torch.squeeze(t)
print(t1)
输出：
tensor([2, 3, 4, 5, 6])
torch.unsqueeze()
功能：依据维度dim扩展维度。
torch.unsqueeze(input,
dim,
out=None)
dim：指定维度dim进行扩展，不同于torch.squeeze()的默认为0，这里必须要指明dim的数值。
import numpy as np
import torch
t = torch.tensor([2, 3, 4, 5, 6])
t1 = torch.unsqueeze(t, dim=0)
print(t1)
输出：
tensor([[2, 3, 4, 5, 6]])