【PyTorch与深度学习】2、PyTorch张量的运算API（上）

课程地址

最近做实验发现自己还是基础框架上掌握得不好，于是开始重学一遍PyTorch框架，这个是课程笔记，这个课还是讲的简略，我半小时的课听了一个半小时。

1. 张量

1.1 张量操作

（1）chunk：将一个张量分割为特定数目的张量，每个块都是输入张量的视图。

• 按维度0分割：

import torch

b = torch.rand([3, 2])  # 随机生成3x2维度的张量
print("b=", b)
c, d = torch.chunk(b, chunks=2)  # 将b分割为c和d两个张量，默认沿着维度0去分割（按行分割）
print("c=", c)
print("d=", d)  # 最后一个张量维度会稍微小一点，因为3不能被2整除

运行结果：

b= tensor([[0.7704, 0.8685],

0.0165, 0.5076\], \[0.2730, 0.2270\]\]) c= tensor(\[\[0.7704, 0.8685\], \[0.0165, 0.5076\]\]) d= tensor(\[\[0.2730, 0.2270\]\]) * 按维度1分割： ```python import torch b = torch.rand([3, 2]) # 随机生成3x2维度的张量 print("b=", b) c, d = torch.chunk(b, chunks=2, dim=1) # 将b分割为c和d两个张量，默认沿着维度1去分割（按列分割） print("c=", c) print("d=", d) # 最后一个张量维度会稍微小一点，因为3不能被2整除 ``` 运行结果： b= tensor(\[\[0.1275, 0.9670\], \[0.5189, 0.0748\], \[0.6840, 0.7675\]\]) c= tensor(\[\[0.1275\], \[0.5189\], \[0.6840\]\]) d= tensor(\[\[0.9670\], \[0.0748\], \[0.7675\]\]) （2）**dsplit**：将具有三个或更多维度的张量按深度拆分为多个张量。 ```python import torch # 按深度划分（按最后一个维度划分），看打印结果 a = torch.arange(16.0).reshape(2, 2, 4) print(a) b = torch.dsplit(a, 2) # 均分两份 print(b) c = torch.dsplit(a, [3, 6]) # 第一份是按最后一个维度取前三个值，第二份是6个 print(c) d = torch.dsplit(a, [2, 4]) # 第一份是1个，第二份是4个 print(d) e = torch.dsplit(a, [1, 1, 2]) # 第一份是1个，第二份是1个，第三分是2个 print(e) ``` 运行结果： tensor(\[\[\[ 0., 1., 2., 3.\], \[ 4., 5., 6., 7.\]\], \[\[ 8., 9., 10., 11.\], \[12., 13., 14., 15.\]\]\]) (tensor(\[\[\[ 0., 1.\], \[ 4., 5.\]\], \[\[ 8., 9.\], \[12., 13.\]\]\]), tensor(\[\[\[ 2., 3.\], \[ 6., 7.\]\], \[\[10., 11.\], \[14., 15.\]\]\])) (tensor(\[\[\[ 0., 1., 2.\], \[ 4., 5., 6.\]\], \[\[ 8., 9., 10.\], \[12., 13., 14.\]\]\]), tensor(\[\[\[ 3.\], \[ 7.\]\], \[\[11.\], \[15.\]\]\]), tensor(\[\], size=(2, 2, 0))) (tensor(\[\[\[ 0., 1.\], \[ 4., 5.\]\], \[\[ 8., 9.\], \[12., 13.\]\]\]), tensor(\[\[\[ 2., 3.\], \[ 6., 7.\]\], \[\[10., 11.\], \[14., 15.\]\]\]), tensor(\[\], size=(2, 2, 0))) (tensor(\[\[\[ 0.\], \[ 4.\]\], \[\[ 8.\], \[12.\]\]\]), tensor(\[\], size=(2, 2, 0)), tensor(\[\[\[ 1.\], \[ 5.\]\], \[\[ 9.\], \[13.\]\]\]), tensor(\[\[\[ 2., 3.\], \[ 6., 7.\]\], \[\[10., 11.\], \[14., 15.\]\]\])) （3）**dstack**：按深度顺序（沿第三轴）堆叠张量。 ```python import torch a = torch.tensor([1, 2, 3]) # 行向量 b = torch.tensor([4, 5, 6]) print(torch.dstack((a,b))) a = torch.tensor([[1],[2],[3]]) # 列向量 b = torch.tensor([[4],[5],[6]]) print(torch.dstack((a,b))) ``` 运行结果： tensor(\[\[\[1, 4\], \[2, 5\], \[3, 6\]\]\]) tensor(\[\[\[1, 4\]\], \[\[2, 5\]\], \[\[3, 6\]\]\]) （4）**hstack**：按水平顺序堆叠张量（按列） ```python import torch a = torch.tensor([1, 2, 3]) # 行向量 b = torch.tensor([4, 5, 6]) print(torch.hstack((a,b))) a = torch.tensor([[1],[2],[3]]) # 列向量 b = torch.tensor([[4],[5],[6]]) print(torch.hstack((a,b))) ``` 运行结果： tensor(\[1, 2, 3, 4, 5, 6\]) tensor(\[\[1, 4\], \[2, 5\], \[3, 6\]\]) （5）**gather** ：沿着某一个维度取变量（根据索引取变量，这个一看就晕，但是我找到了一篇比较好的文章讲解这个） [torch.gather() 和torch.sactter_()的用法简析](https://blog.csdn.net/Teeyohuang/article/details/82186666)，这个讲的最好，我就是按照这个学的 ```python import torch t = torch.tensor([[1, 2], [3, 4]]) a = torch.gather(t, 1, torch.tensor([[0, 0], [1, 0]])) # 按维度1和[[0, 0], [1, 0]]的下标取张量t的元素 # out[i,j] = t[i][a[i, j]] # out[0,0] = t[0][a[0, 0]]=t[0][0]=1 # out[0,1] = t[0][a[0, 1]]=t[0][0]=1 # 所以out[0]=[1, 1] # out[1,0] = t[1][a[1, 0]]=t[1][1]=4 # out[1,1] = t[1][a[1, 1]]=t[1][0]=3 # 所以out[1]=[4, 5] # 所以out=[[1, 1], [4, 3]] print(a) a = torch.gather(t, 0, torch.tensor([[0, 0], [1, 0]])) # 按维度0和[[0, 0], [1, 0]]的下标取张量t的元素 # out[i,j] = t[a[i, j]][j] # out[0,0] = t[a[0, 0]][0]=t[0][0]=1 # out[0,1] = t[a[0, 1]][1]=t[0][1]=2 # 所以out[0]=[1, 2] # out[1,0] = t[a[1, 0]][0]=t[1][0]=3 # out[1,1] = t[a[1, 1]][1]=t[0][1]=2 # 所以out[1]=[3, 2] # 所以out=[[1, 2], [3, 2]] print(a) ``` 运行结果： tensor(\[\[1, 1\], \[4, 3\]\]) tensor(\[\[1, 2\], \[3, 2\]\]) （6）**reshape**：返回一个张量，其数据和元素数量与输入相同，但具有指定的形状，改变形状，不改变顺序，比如原来是从左到右，然后改成多行后，是按从左到右从上到下顺序重新改变形状。 ```python import torch a = torch.arange(4.) # 生成从0到3的一维张量 print(torch.reshape(a, (2, 2))) # 改成2X2张量 b = torch.tensor([[0, 1], [2, 3]]) print(torch.reshape(b, (-1,))) # -1，自动推断变成一维 ``` 运行结果： tensor(\[\[0., 1.\], \[2., 3.\]\]) tensor(\[0, 1, 2, 3\]) 【注】一般在方法名后面加下划线的都是原地操作，内存位置不会发生改变 （7）**scatter_** ： [torch.gather() 和torch.sactter_()的用法简析](https://blog.csdn.net/Teeyohuang/article/details/82186666)，按索引张量更新元素。 ```python import torch src = torch.arange(1, 11).reshape((2, 5)) print(src) index = torch.tensor([[0, 1, 2, 0]]) a = torch.zeros(3, 5, dtype=src.dtype) # 初始化一个和src张量数据类型一样的3X5的0张量， # 这样方便观察，非0的部分就是修改过的 z = a.scatter_(0, index, src) # 按索引张量将src中的元素写入到z中，按维度0写入 # z[index[i][j],j]=src[i][j]，index中i只有0，j从0到3 # z[index[0][0],0]=z[0,0]=src[0][0]=1 # z[index[0][1],1]=z[1,1]=src[1][1]=6 # z[index[0][2],2]=z[2,2]=src[2][2]（i越界1个，相当于又变回0，索引只有(0,1),则2对应的应该是0,1,0的0，以此类推循环）=src[0][2]=3 # z[index[0][3],3]=z[0,3]=src[0][3]=4 print(z) a = torch.zeros(3, 5, dtype=src.dtype) z = a.scatter_(1, index, src) # 按索引张量将src中的元素写入到z中，按维度1写入 # z[i,index[i][j]]=src[i][j]，index中只有0，j从0到3 # z[0,index[0][0]]=z[0,0]=src[0][0]=1 # z[0,index[0][1]]=z[0,1]=src[0][1]=2 # z[0,index[0][2]]=z[0,2]=src[0][2]=3 # z[0,index[0][3]]=z[0,0]=src[0][3]=4（被覆盖，最终z[0,0]=4） print(z) ``` 运行结果： tensor(\[\[ 1, 2, 3, 4, 5\], \[ 6, 7, 8, 9, 10\]\]) tensor(\[\[1, 0, 0, 4, 0\], \[0, 2, 0, 0, 0\], \[0, 0, 3, 0, 0\]\]) tensor(\[\[4, 2, 3, 0, 0\], \[0, 0, 0, 0, 0\], \[0, 0, 0, 0, 0\]\]) （8）**scatter_add_**：以与 scatter_() 类似的方式，将张量 src 中的所有值添加到索引张量中指定的索引处的 self 中。 ```python import torch src = torch.ones((2, 5)) print(src) index = torch.tensor([[0, 1, 2, 0, 0]]) z = torch.zeros(3, 5, dtype=src.dtype).scatter_add_(0, index, src) # 按维度0进行相加 print(z) # z[index[i][j], j]=src[i][j],i只能为0，j从0到4 # z[index[0][0], 0]=z[0,0]=src[0][0]=1 # z[index[0][1], 1]=z[1,1]=src[0][1]=1 # z[index[0][2], 2]=z[2,2]=src[0][2]=1 # z[index[0][3], 3]=z[0,3]=src[0][3]=1 # z[index[0][4], 4]=z[0,4]=src[0][4]=1 ``` 运行结果： tensor(\[\[1., 1., 1., 1., 1.\], \[1., 1., 1., 1., 1.\]\]) tensor(\[\[1., 0., 0., 1., 1.\], \[0., 1., 0., 0., 0.\], \[0., 0., 1., 0., 0.\]\]) （9）**split**：将张量划分为多块，每块都是原来张量的一部分。 ```python import torch a = torch.arange(10).reshape(5, 2) print(a) print(torch.split(a, 2)) # 分成两份，最后一份可能会少一点，要保证前面均分 print(torch.split(a, [1, 4])) # 按1:4比例划分，不指定参数默认按0维度（行）划分 ``` 运行结果： tensor(\[\[0, 1\], \[2, 3\], \[4, 5\], \[6, 7\], \[8, 9\]\]) (tensor(\[\[0, 1\], \[2, 3\]\]), tensor(\[\[4, 5\], \[6, 7\]\]), tensor(\[\[8, 9\]\])) (tensor(\[\[0, 1\]\]), tensor(\[\[2, 3\], \[4, 5\], \[6, 7\], \[8, 9\]\])) > chunk和split的区别：【GPT回答】chunk 函数将张量均匀分成几块，每块大小相等。split 函数可以根据指定的大小或部分来分割张量，每个块的大小可以不相等。总的来说，如果您需要将张量均匀地分成几块，可以使用 chunk 函数。如果您需要更灵活地指定每个块的大小或部分，可以使用 split 函数。 （10）**squeeze**：将张量中所有维度为1的那个维度移除掉 ```python import torch a = torch.tensor([[[1, 2, 3], [1, 2, 3]]]) # 2x3x1张量 a = torch.squeeze(a) # 压缩维度为1的维度，变成2维张量，2X3 print(a) a = torch.tensor([[[[1, 2, 3], [1, 2, 3]]]]) # 2x3x1x1张量 a = torch.squeeze(a) # 压缩维度为1的维度，变成2维张量，2X3 print(a) # 压缩指定的维度为1的维度（PyTorch低于2.0版本，指定的维度不能是list（就是相当于用list的元素多次指定要压缩的维度为1的维度的索引），所以这里写dim = 2） a = torch.tensor([[[[1, 2, 3], [1, 2, 3]]]]) # 2x3x1x1张量 a = torch.squeeze(a, dim=2) # 压缩维度为1的维度，且索引为2，变成3维张量，2X3x1 print(a) ``` 运行结果： tensor(\[\[1, 2, 3\], \[1, 2, 3\]\]) tensor(\[\[1, 2, 3\], \[1, 2, 3\]\]) tensor(\[\[\[\[1, 2, 3\], \[1, 2, 3\]\]\]\]) （11）**stack**：沿着某一个新的维度将一系列张量拼接起来。 ```python import torch a = torch.ones(3, 2) # 3x2 全是1的张量 b = torch.zeros(3, 2) # 3x3 全是0的张量 c = torch.stack([a, b]) # dim 默认为0，它们合并到新的张量的第0维，新的张量的元素分别是a, b，相当于最后是一个三维张量 print(c) c = torch.stack([a, b], dim=1) # 按行拼接 print(c) ``` 运行结果： tensor(\[\[\[1., 1.\], \[1., 1.\], \[1., 1.\]\], \[\[0., 0.\], \[0., 0.\], \[0., 0.\]\]\]) tensor(\[\[\[1., 1.\], \[0., 0.\]\], \[\[1., 1.\], \[0., 0.\]\], \[\[1., 1.\], \[0., 0.\]\]\]) 进程已结束,退出代码0 它们是这样的张量（接下来的看法可能不对）：  如果按维度0进行拼接，  （后面全是1），按0维度这样看就是 tensor(\[\[\[1., 1.\], \[1., 1.\], \[1., 1.\]\], \[\[0., 0.\], \[0., 0.\], \[0., 0.\]\]\]) 如果按维度1拼接，  按1维度这样看就是 tensor(\[\[\[1., 1.\], \[0., 0.\]\], \[\[1., 1.\], \[0., 0.\]\], \[\[1., 1.\], \[0., 0.\]\]\])