【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。

python 复制代码
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。

python 复制代码
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:

python 复制代码
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。

python 复制代码
torch.stack(tensors,
            dim=0,
            out=None)
python 复制代码
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:

python 复制代码
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。

python 复制代码
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

python 复制代码
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:

python 复制代码
(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。

python 复制代码
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。

python 复制代码
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:

python 复制代码
(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。

python 复制代码
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。

python 复制代码
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:

python 复制代码
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。

python 复制代码
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。

python 复制代码
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

python 复制代码
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)

python 复制代码
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)

python 复制代码
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:

python 复制代码
tensor([[2, 3],
        [4, 5],
        [6, 7]])

torch.transpose()

功能:交换张量的两个维度。

python 复制代码
torch.transpose(input,
                dim0,
                dim1)

dim0、dim1:被交换的两个维度。

python 复制代码
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:

python 复制代码
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)

python 复制代码
torch.t(input)

input:待进行维度交换的tensor。

python 复制代码
import numpy as np
import torch

t = torch.tensor([[2, 3, 4], [5, 6, 7]])
t1 = torch.t(t)
print(t1)

输出:

python 复制代码
tensor([[2, 5],
        [3, 6],
        [4, 7]])

torch.squeeze()

功能:压缩维度为1的轴。

python 复制代码
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。

python 复制代码
import numpy as np
import torch

t = torch.tensor([[2], [3], [4], [5], [6]])
t1 = torch.squeeze(t)
print(t1)

输出:

python 复制代码
tensor([2, 3, 4, 5, 6])

torch.unsqueeze()

功能:依据维度dim扩展维度。

python 复制代码
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。

python 复制代码
import numpy as np
import torch

t = torch.tensor([2, 3, 4, 5, 6])
t1 = torch.unsqueeze(t, dim=0)
print(t1)

输出:

python 复制代码
tensor([[2, 3, 4, 5, 6]])
相关推荐
you458027 分钟前
小程序学习笔记:使用 MobX 实现全局数据共享,实例创建、计算属性与 Actions 方法
笔记·学习·小程序
笑衬人心。30 分钟前
初学Spring AI 笔记
人工智能·笔记·spring
luofeiju40 分钟前
RGB下的色彩变换:用线性代数解构色彩世界
图像处理·人工智能·opencv·线性代数
测试者家园42 分钟前
基于DeepSeek和crewAI构建测试用例脚本生成器
人工智能·python·测试用例·智能体·智能化测试·crewai
张较瘦_1 小时前
[论文阅读] 人工智能 + 软件工程 | Call Me Maybe:用图神经网络增强JavaScript调用图构建
论文阅读·人工智能·软件工程
大模型真好玩1 小时前
准确率飙升!Graph RAG如何利用知识图谱提升RAG答案质量(四)——微软GraphRAG代码实战
人工智能·python·mcp
UQI-LIUWJ1 小时前
计算机组成笔记:缓存替换算法
笔记·缓存
Baihai_IDP1 小时前
vec2text 技术已开源!一定条件下,文本嵌入向量可“近乎完美地”还原
人工智能·面试·llm
DKPT1 小时前
Java设计模式之结构型模式(外观模式)介绍与说明
java·开发语言·笔记·学习·设计模式
江太翁1 小时前
Pytorch torch
人工智能·pytorch·python