Pytorch笔记 (3) 科学计算2
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]]])
