pytorch基础知识（二）------- tensor相关操作一

​         本章主要总结了tensor的一些常用的操作，如果想把每个关于tensor的方法记下是不太现实的。只需要留个印象，在实际的场景中需要用到，知道有这么个东西，再通过查询api进行使用。
​         torch这个package中包含了多维张量（tensor）数据结构，并定义了对这些张量的数学运算，并且提供了许多工具对张量各种操作。以下总结常用的一些操作。

#导入torch
import torch

is_nonzero(tensor)

​         作用是检测该tensor中的元素是否非零

​         参数是只含有一个元素的tensor

​         返回 布尔值

         注意：此方法输入必须是只含有一个元素的tensor a4,a5的输入会报错

a1 = torch.is_nonzero(torch.tensor([0]))
a2 = torch.is_nonzero(torch.tensor([1]))
a3 = torch.is_nonzero(torch.tensor([0.]))
# a4 = torch.is_nonzero(torch.tensor([]))
# a5 = torch.is_nonzero(torch.tensor([1,2,3]))
a1 ,a2 ,a3
#输出
(False, True, False)

numel(input)

​         此方法返回tensor中共有多少个元素

num = torch.numel(torch.rand(3,3))
num

#输出
	9

转置

        类似矩阵中的转置操作，行列互换

torch.t(input)

​         input (Tensor) – 输入为一个tensor.

torch.transpose(input,dim0, dim1)

​         input (Tensor) – 输入为一个tensor

   dim0 (int) – 第一个要转置的维度

   dim1 (int) - 第二个要转置的维度

比较

共同点

​         都实现了张量的转置操作

不同点

​          t(input)只能进行二维张量的转置

​          transpose(input,dim0, dim1)可以进行高纬张量的转置，但是只能选择两个维度之间的转置

代码

        二维数据

data = torch.rand(3,4)
t1 = torch.t(data)

#输出
data,t1

(tensor([[0.6796, 0.0266, 0.4069, 0.3042],
         [0.8158, 0.7434, 0.7118, 0.3403],
         [0.0744, 0.5714, 0.4415, 0.0747]]),
 tensor([[0.6796, 0.8158, 0.0744],
         [0.0266, 0.7434, 0.5714],
         [0.4069, 0.7118, 0.4415],
         [0.3042, 0.3403, 0.0747]]))

         注意：如果torch.t(data)传入两维度以上的张量会报一下错误

RuntimeError                             Traceback (most recent call last)
~\AppData\Local\Temp/ipykernel_9232/2496212846.py in <module>
----> 1 torch.t(data)
RuntimeError: t() expects a tensor with <= 2 dimensions, but self is 3D

        多维张量

data = torch.rand(3,4,2)

data
#元数据

tensor([[[0.4097, 0.1857],
         [0.9020, 0.6462],
         [0.1544, 0.8468],
         [0.6699, 0.4116]],

        [[0.6666, 0.8028],
         [0.4677, 0.9692],
         [0.6497, 0.0196],
         [0.7469, 0.6108]],

        [[0.8890, 0.8045],
         [0.6521, 0.4382],
         [0.4315, 0.1732],
         [0.4397, 0.6457]]])

        不同维度的转置

torch.transpose(data,0,1)
#输出

tensor([[[0.4097, 0.1857],
         [0.6666, 0.8028],
         [0.8890, 0.8045]],

        [[0.9020, 0.6462],
         [0.4677, 0.9692],
         [0.6521, 0.4382]],

        [[0.1544, 0.8468],
         [0.6497, 0.0196],
         [0.4315, 0.1732]],

        [[0.6699, 0.4116],
         [0.7469, 0.6108],
         [0.4397, 0.6457]]])

torch.transpose(data,-1,1)
#输出

tensor([[[0.4097, 0.9020, 0.1544, 0.6699],
         [0.1857, 0.6462, 0.8468, 0.4116]],

        [[0.6666, 0.4677, 0.6497, 0.7469],
         [0.8028, 0.9692, 0.0196, 0.6108]],

        [[0.8890, 0.6521, 0.4315, 0.4397],
         [0.8045, 0.4382, 0.1732, 0.6457]]])

torch.cat

​ torch.cat(tensors, dim=0, *, out=None)连接给定维度的张量，所有的tensor必须是相同的维度

	tensors  – 具有相同shape的多个tensor组成的元组（tensor1，tensor2）
 	dim (int, optional) – 张量连接的维度

cat_data1 = torch.rand(2,3)
cat_data2 = torch.rand(2,3)
cat_data3 = torch.rand(2,3)

cat_data = torch.cat((cat_data1,cat_data2,cat_data3))
cat_data

#输出结果cat_data
tensor([[0.4117, 0.1281, 0.1735],
        [0.0882, 0.9527, 0.8244],
        [0.5485, 0.8877, 0.4297],
        [0.9650, 0.3667, 0.4441],
        [0.1581, 0.4601, 0.7503],
        [0.1222, 0.6008, 0.3165]])

​         可以选择在不同的维度上进行连接

cat_data = torch.cat((cat_data1,cat_data2,cat_data3),1)
cat_data

#输出结果cat_data
tensor([[0.4117, 0.1281, 0.1735, 0.5485, 0.8877, 0.4297, 0.1581, 0.4601, 0.7503],
        [0.0882, 0.9527, 0.8244, 0.9650, 0.3667, 0.4441, 0.1222, 0.6008, 0.3165]])

cat_data = torch.cat((cat_data1,cat_data2,cat_data3),1)
cat_data