一、组织张量的元素

（1）重排张量元素

本节介绍在不改变张量元素个数和各元素的值的情况下改变张量的大小

torch.Tensor类的成员方法 reshape()

参数是多个int类型的值。

如果想要把一个张量的大小改成 s[0],s[1],s[2],s[3]....那就让s[0],s[1],s[2],s[3]....作为reshape() 方法的n个参数

使用 reshape() 在不改变元素个数和各元素的值的情况下改变张量大小

tc = torch.arange(12) #张量大小 (12,)

print('tc={}'.format(tc))

t322 = tc.reshape(3,2,2)  #张量大小 (3,2,2)

print('t322={}'.format(t322))

t43 = t322.reshape(4,3)  #张量大小(4,3)

print('t43={}'.format(t43))

tc=tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

t322=tensor([[[ 0,  1],

         [ 2,  3]],

        [[ 4,  5],

         [ 6,  7]],

        [[ 8,  9],

         [10, 11]]])

t43=tensor([[ 0,  1,  2],

        [ 3,  4,  5],

        [ 6,  7,  8],

        [ 9, 10, 11]])

在reshape() 参数里，1个维度的大小用 -1 代替。如果某个维度的大小用-1代替，那么该函数就会根据张量总元素的个数和其他各维度的元素个数自动计算这个用 -1指定的维度大小

例如：

t =  torch.arange(24).reshape(2,-1,4)

print(t)

tensor([[[ 0,  1,  2,  3],

         [ 4,  5,  6,  7],

         [ 8,  9, 10, 11]],

        [[12, 13, 14, 15],

         [16, 17, 18, 19],

         [20, 21, 22, 23]]])

squeeze() 可以消除张量大小中大小为1的维度

t1 =  torch.arange(24).reshape(2,1,3,1,4)

print(t1.squeeze())   #消去一维后，大小为 (2,3,4)

tensor([[[ 0,  1,  2,  3],

         [ 4,  5,  6,  7],

         [ 8,  9, 10, 11]],

        [[12, 13, 14, 15],

         [16, 17, 18, 19],

         [20, 21, 22, 23]]])

unsqueeze() 增加一些大小为0的维度，增加的维度的位置由关键字参数 dims 指定

t2 =  torch.arange(24).reshape(2,3,4)

print(t2.unsqueeze(dim=2))

tensor([[[[ 0,  1,  2,  3]],

         [[ 4,  5,  6,  7]],

         [[ 8,  9, 10, 11]]],

        [[[12, 13, 14, 15]],

         [[16, 17, 18, 19]],

         [[20, 21, 22, 23]]]])

(2)张量的交换

张量的交换是将张量的各维度重新排列

permute () 交换

tt = torch.arange(24).reshape(1,2,3,4)   #大小 = (1,2,3,4)

print(tt.permute(dims=[2,0,1,3]))  #大小 = (3,1,2,4)      即：交换原维度的第2 ..0 ..1..3。。。个维度

transpose() 转置 t() 二维张量装置

t12 = torch.tensor([[5.,-9.],])

print('t12={}'.format(t12))

t21 = t12.transpose(0,1)

print('t21={}'.format(t21))

t21 = t12.t()

print('t21={}'.format(t21))

t12=tensor([[ 5., -9.]])

t21=tensor([[ 5.],

        [-9.]])

t21=tensor([[ 5.],

        [-9.]])

（3）选取部分张量元素

index_select()

这个成员方法有两个参数 ———— 参数dim 是一个int 值 —— 表示对哪个维度进行处理

参数index —— 是一个 torch.Tensor 实例，表示选取那个维度的哪些指标

例如： 调用index_select() 的torch.Tensor() 类实例的大小为（s[0]...s[x]..s[n-1]）,dim = 1,index = (x,) 那么选取得到的张量大小为(s[0]....s[x-1],x,s[x+1]...s[n-1])

t = torch.arange(24).reshape(2,3,4)  #大小 = {2,3,4}

index = torch.tensor([1,2])   #大小 (2,)

print(t.index_select(1,index))  #大小 = {2,2,4}

tensor([[[ 4,  5,  6,  7],

         [ 8,  9, 10, 11]],

        [[16, 17, 18, 19],

         [20, 21, 22, 23]]])

要对张量的某个维度进行选取 ———— 也可以用 [] ———— 需要给出在所有维度上的指标。在每个维度上，可以选取1个指标、多个指标【包括全部指标】。

t = torch.arange(12)

print(t)

print(t[3])  #选取1个元素，大小(),值为3

print(t[-5])  #选取1个元素，大小（），值为7

print(t[3:6])   #选取连续元素，大小(3,)

print(t[:6])  #选取连续元素，大小(6,)

print(t[3:])  #选取连续元素，大小(9,)

print(t[-5:])  #选取连续元素，大小(5,)

print(t[3:6:2])  #选取不连续元素，大小(2,)

print(t[3::2])  #选取不连续元素，大小(5,)

tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

tensor(3)

tensor(7)

tensor([3, 4, 5])

tensor([0, 1, 2, 3, 4, 5])

tensor([ 3,  4,  5,  6,  7,  8,  9, 10, 11])

tensor([ 7,  8,  9, 10, 11])

tensor([3, 5])

tensor([ 3,  5,  7,  9, 11])

对于有多个维度的情况，可以用英文"," 分割各个维度的指标

t = torch.arange(12).reshape(3,4)

print(t)

print(t[2:,-2])  #大小(1,)  值为[10,]

print(t[0,:])  #大小(4,)  值为[0,1,2,3]

tensor([[ 0,  1,  2,  3],

        [ 4,  5,  6,  7],

        [ 8,  9, 10, 11]])

tensor([10])

tensor([0, 1, 2, 3])

masked_select()

接受一个张量参数 mask，它的大小必须调和用masked_selected() 方法的类实例相同，并且元素类型必须为 torch.int8

张量mask 里面的元素非0即1，表示是否要选择对应元素

masked_selected() 将张量mask 选定的那些值以一个一维张量的形式返回，一维张量的元素个数就是张量mask 中1的个数

t = torch.arange(12).reshape(3,4)

mask = torch.tensor([[1,0,0,1],[0,1,1,0],[0,0,1,0]],dtype=torch.uint8)

t.masked_select(mask)   #大小(5,)

tensor([ 0,  3,  5,  6, 10])

take()

不再考虑张量的具体大小，而只考虑张量的元素总个数

take() 函数将张量个元素按照唯一的指标进行索引，相当于对经过 reshape(-1) 操作后的张量进行索引

t = torch.arange(12).reshape(3,4)

print(t)

indices = torch.tensor([2,5,6])

print(indices)

print(t.take(indices))  #大小(3,)  值为[2,5,6]

tensor([[ 0,  1,  2,  3],

        [ 4,  5,  6,  7],

        [ 8,  9, 10, 11]])

tensor([2, 5, 6])

tensor([2, 5, 6])

(4)张量的扩展和拼接

repeat()

可以将张量的内容进行重复，使张量的大小变大

(s[0],s[1]....s[n-1]) —— repeat() ———> (s[0]r[0],s[1]r[1]....s[n-1]r[n-1])

t12 = torch.tensor([[5.,-9.],])

print('t12={}'.format(t12))   #大小(1,2)

t34 = t12.repeat(3,2)

print(t34)    #大小(3,4)    1*3 = 3 2*2 =4

t12=tensor([[ 5., -9.]])

tensor([[ 5., -9.,  5., -9.],

        [ 5., -9.,  5., -9.],

        [ 5., -9.,  5., -9.]])

torch.cat()

tp = torch.arange(12).reshape(3,4)

tn = -tp

tc0 = torch.cat([tp,tn],0)

print(tc0)

tc1 = torch.cat([tp,tp,tn,tn],1)

print(tc1)

tensor([[  0,   1,   2,   3],

        [  4,   5,   6,   7],

        [  8,   9,  10,  11],

        [  0,  -1,  -2,  -3],

        [ -4,  -5,  -6,  -7],

        [ -8,  -9, -10, -11]])

tensor([[  0,   1,   2,   3,   0,   1,   2,   3,   0,  -1,  -2,  -3,   0,  -1,

          -2,  -3],

        [  4,   5,   6,   7,   4,   5,   6,   7,  -4,  -5,  -6,  -7,  -4,  -5,

          -6,  -7],

        [  8,   9,  10,  11,   8,   9,  10,  11,  -8,  -9, -10, -11,  -8,  -9,

         -10, -11]])

torch.stack()

同样有张量列表（或元组）和维度两个参数

stack() 函数要求输入张量的大小完全相同，得到的张量的维度会比输入的张量的大小多1，并且多出的那个维度就是拼接的维度

tp = torch.arange(12).reshape(3,4)

tn = -tp

ts0 = torch.stack([tn,tp],0)

print(ts0)

ts1 = torch.stack([tp,tp,tn,tn],1)

print(ts1)

tensor([[[  0,  -1,  -2,  -3],

         [ -4,  -5,  -6,  -7],

         [ -8,  -9, -10, -11]],

        [[  0,   1,   2,   3],

         [  4,   5,   6,   7],

         [  8,   9,  10,  11]]])

tensor([[[  0,   1,   2,   3],

         [  0,   1,   2,   3],

         [  0,  -1,  -2,  -3],

         [  0,  -1,  -2,  -3]],

        [[  4,   5,   6,   7],

         [  4,   5,   6,   7],

         [ -4,  -5,  -6,  -7],

         [ -4,  -5,  -6,  -7]],

        [[  8,   9,  10,  11],

         [  8,   9,  10,  11],

         [ -8,  -9, -10, -11],

         [ -8,  -9, -10, -11]]])

巴特西

Pytorch笔记 (3) 科学计算2

一、组织张量的元素

（1）重排张量元素

(2)张量的交换

（3）选取部分张量元素

(4)张量的扩展和拼接

最新文章

热门文章