【youcans的深度学习 07】PyTorch入门教程：张量的基本操作 2

欢迎关注『youcans的深度学习』系列，持续更新中…
【youcans的深度学习 01】安装环境之 miniconda
【youcans的深度学习 02】PyTorch CPU版本安装与环境配置
 【youcans的深度学习 03】PyTorch CPU版本安装与环境配置
 【youcans的深度学习 04】PyTorch入门教程：基础知识
 【youcans的深度学习 05】PyTorch入门教程：快速入门
 【youcans的深度学习 06】PyTorch入门教程：张量的基本操作 1
【youcans的深度学习 07】PyTorch入门教程：张量的基本操作 2

【youcans的深度学习 07】PyTorch入门教程：张量的基本操作 2

5. 改变Tensor的形状

本节深入讨论张量的三个基本属性：阶（Rank）、轴（Axis）和形状（Shape），在此基础上讨论如何改变张量的形状。

5.1 张量的阶、轴与形状

张量的阶（Rank）是指张量中的维数。

张量的阶告诉我们访问（引用）张量数据结构中的特定数据元素需要多少个索引。

A tensor’s rank tells us how many indexes are needed to refer to a specific element within the tensor.

例如，一个二阶张量，对应于一个二维数组、二维矩阵。

在这里插入图片描述

张量的轴（axis）是张量的某个特定的维度。

An axis of a tensor is a specific dimension of a tensor.

张量中的元素被认为是存在并且在某个轴上运动，并受到该轴的长度的限制。换句话说，每个轴的长度，表示沿着这个轴有多少个索引。

对于 n维张量，沿着第一个轴 Axis0 的每个元素是一个 n-1 维数组，沿着第二个轴 Axis1 的每个元素是一个 n-2 维数组，…，沿着最后一个轴的元素是数字。

扫描二维码关注公众号，回复： 15100043 查看本文章

二维张量的轴

例如，一个二阶张量有两个维度，这个张量有两个轴。

t = torch.tensor([[1,2,3,4],
                  [5,6,7,8], 
                  [9,10,11,12]])
print("t.ndim:", t.ndim)  # 张量的维数，t.ndim: 2
print("t.shape:", t.shape)  # 张量的形状，t.shape: torch.Size([3, 4])

二维张量 t 的第一个轴 Axis0 的长度为 3，因此沿着第一个轴可以索引 3个位置：

t[0], t[1], t[2]

二维张量 t 的沿着第一个轴 Axis0 的每个元素是一个一维张量（数组）：

Axis0: 
t[0]: tensor([1, 2, 3, 4])
t[1]: tensor([5, 6, 7, 8])
t[2]: tensor([ 9, 10, 11, 12])

t 的第二个轴 Axis1 的长度为4，因此沿着第二个轴可以索引 4个位置：

t[0][0], t[1][0], t[2][0]
t[0][1], t[1][1], t[2][1] 
t[0][2], t[1][2], t[2][2] 
t[0][3], t[1][3], t[2][3]

二维张量 t 的沿着第二个轴 Axis1 的每个元素是一个 0维张量（数字）：

Axis1: 
t[0][0]: tensor(1)
t[0][3]: tensor(4)
t[2][3]: tensor(12)

三维张量的轴

三维张量的第一个轴 Axis0 表示的是“深度”或者“高度”（z方向），第二个轴 Axis1 表示的是“长度”（x方向），第三个轴 Axis2 表示的是“宽度”（y方向）。

因此，三维张量的结构是多个二维张量从上到下叠放而成

B = torch.tensor([[[1, 2, 3, 4],
                   [5, 6, 7, 8],
                   [9, 10, 11, 12]],  # B[0]
                  [[4, 3, 2, 1],
                   [8, 7, 6, 5],
                   [12, 11, 10, 9]]])  # B[1]

三维张量 B 的第一个轴 Axis0 的长度为 2，因此沿着第一个轴可以索引 2个位置：

B[0], B[1]

三维张量 B 的沿着第一个轴 Axis0 的每个元素是一个二维张量：

Axis0: 
B[0]:
tensor([[ 1,  2,  3,  4],
        [ 5,  6,  7,  8],
        [ 9, 10, 11, 12]])
B[1]:
tensor([[ 4,  3,  2,  1],
        [ 8,  7,  6,  5],
        [12, 11, 10,  9]])

类似地，四维张量的结构是多个三维张量从上到下叠放而成，N维张量的结构是多个(N-1)维张量从上到下叠放而成。所谓从上到下叠放是相对的，取决于第一个轴 Axis0 的观察角度。但是， PyTorch 张量在输出时是按照从上到小的竖直方向排列，所以选择从上到下的方向作为第一个轴 Axis0 的观察角度比较直观。

张量的形状（shape）描述了每个轴的长度（元素数），也可以说张量的形状由每个轴的长度决定。

The shape of a tensor gives us the length of each axis of the tensor.

张量的形状不仅给出了张量的每个轴的长度，而且可以获得有关轴、秩以及索引的相关信息。在 PyTorch 中，张量的大小和形状是一样的。使用 shape 或 size() 可以查看张量的形状。

注意张量形状的维度是按第一轴 Axis0 向第(N-1)轴 Axis(N-1) 排列的，dim=0 表示第一轴，dim=-1 表示最后一轴。因此，任何一个二维以上的 PyTorch 张量，dim=-1 都表示 y 轴（最后一个维度），dim=-2 都表示 x 轴（倒数第二个维度）。例如，torch.Size([2, 3, 4] 表示张量的第一轴长度为 2、第二轴长度为 3、第三轴长度为 4。

print("B.ndim:", B.ndim)  # 张量的维数，B.ndim: 3
print("B.shape:", B.shape)  # 张量的形状，Bshape: torch.Size([2, 3, 4])

例程：

# (16) 张量的阶(Rank)、轴(Axis)和形状(Shape)
# 二维张量
t = torch.tensor([[1,2,3,4],
                  [5,6,7,8],
                  [9,10,11,12]])
print("t.ndim:", t.ndim)  # 张量的维数，t.ndim: 2
print("t.shape:", t.shape)  # 张量的形状，t.shape: torch.Size([3, 4])
print("Axis0:", t[0], t[1], t[2])
print("Axis1:", t[0][0], t[0][3], t[2][3])
# 三维张量
B = torch.tensor([[[1, 2, 3, 4],
                   [5, 6, 7, 8],
                   [9, 10, 11, 12]],  # B[0]
                  [[4, 3, 2, 1],
                   [8, 7, 6, 5],
                   [12, 11, 10, 9]]])  # B[1]
print("B.ndim:", B.ndim)  # 张量的维数，B.ndim: 3
print("B.shape:", B.shape)  # 张量的形状，Bshape: torch.Size([2, 3, 4])
print("Axis0:")
print(B[0])
print(B[1])

5.2 张量的形状处理

PyTorch 中的张量形状处理方法，是指改变张量的维度而不改变元素的数值。常用方法有：torch.reshape，torch.view，torch.repeat，torch.expand，torch.permute，torch.transpose。

方法	说明
`torch.reshape(input, shape)`	改变 `input` 的维度为 `shape` (如果适合)，也可以使用 `torch.Tensor.reshape()`.
`torch.Tensor.view(shape)`	张量的维度变为 `shape`，返回的张量与原始张量共享数据。
`torch.stack(tensors, dim=0)`	`tensors` 沿新维度 (`dim`)连接一系列序列，所有序列的`tensors` 大小必须相同。
`torch.squeeze(input)`	移除`input` 维度为`1` 的行或者列。
`torch.unsqueeze(input, dim)`	添加 `input` 维度为`1` 的行或者列。
`torch.permute(input, dims)`	`input` 的维度根据 `dims` 重新排列，若赋予新的张量与原始张量共享数据

5.2.1 张量的维度交换（transpose）

transpose 方法用于对张量进行维度交换。

对于多维张量，使用函数 torch.transpose 交换指定的维度。

torch.transpose(input, dim0, dim1) → Tensor

其中，input 表示张量，dim0、dim1 表示交换的张量维度（第几轴）。

# (17) 张量的转置 transpose （变换给定张量的维度）
X3d = torch.tensor([[[1, 2, 3, 4],  # 三维张量
                     [5, 6, 7, 8],
                     [9, 10, 11, 12]],  # B[0]
                    [[4, 3, 2, 1],
                     [8, 7, 6, 5],
                     [12, 11, 10, 9]]])  # B[1]
Xt1 = torch.transpose(X3d, 0, 1)  # 交换 Axis0 与 Axis1
Xt2 = torch.transpose(X3d, 0, 2)  # 交换 Axis0 与 Axis2
Xt3 = torch.transpose(X3d, 1, 2)  # 交换 Axis1 与 Axis2
print("X3d.shape:", X3d.shape)  # shape of X3d: torch.Size([2, 3, 4])
print("Xt1.shape:", Xt1.shape)  # shape of Xt1: torch.Size([3, 2, 4])
print("Xt2.shape:", Xt2.shape)  # shape of Xt2: torch.Size([4, 3, 2])
print("Xt3.shape:", Xt3.shape)  # shape of Xt3: torch.Size([2, 4, 3])

对于二维张量，只有两个维度 dim0 和 dim1，既可以使用函数 torch.transpose 交换 dim0 与 dim1，也可以使用 troch.t(input) 或 input.T 实现矩阵转置。

X2d = torch.tensor([[1, 2, 3, 4],  # 三维张量
                    [5, 6, 7, 8],
                    [9, 10, 11, 12]])
print("X2d.shape:", X2d.shape)  # 张量的形状，X2d.shape: torch.Size([3, 4])
Xt = torch.t(X2d)  # 等价于：Xt = X2d.T
print("Xt.ndim:", Xt.ndim)  # 张量的维数，Xt.ndim: 2
print("Xt.shape:", Xt.shape)  # 张量的形状，Xt.shape: torch.Size([4, 3])

5.2.2 张量形状的重构（reshape）

函数 torch.reshape 返回将输入张量转变为指定的形状大小，元素总数不变。可以理解为将张量压扁为一维后再按指定形状重构。

torch.reshape(input, shape) → Tensor

其中，input 表示张量，shape 表示重构张量的形状。如果 shape 中的一个参数指定为 -1，代表自动调整这个维度上的元素个数，以保证元素的总数不变。

返回的张量将尽可能是输入的视图，否则才会返回输入的拷贝。注意：这里很容易由于混淆“视图”与“拷贝”而发生错误，推荐编程时先强制使用“复制”，调试通过后再考虑优化内存。

连续输入和步幅兼容的输入可以在不复制的情况下重新整形，但不应依赖于复制与查看行为。

# (18) 张量的形状重构
X3d = torch.tensor([[[1, 2, 3, 4],  # 三维张量
                     [5, 6, 7, 8],
                     [9, 10, 11, 12]],  # B[0]
                    [[4, 3, 2, 1],
                     [8, 7, 6, 5],
                     [12, 11, 10, 9]]])  # B[1]

X1 = torch.reshape(X3d, (3, 4, 2))
print(X1)
print("X1.shape:", X1.shape)  # shape of X1: torch.Size([3, 4, 2])

X2 = torch.reshape(X3d, (3, 8))
print(X2)
print("X2.shape:", X2.shape)  # shape of X2: ([3, 8])

X3 = torch.reshape(X3d, (-1,))
print(X3)
print("X3.shape:", X3.shape)  # shape of X3: torch.Size([24])

5.2.3 张量形状的重构（view）

函数 torch.Tensor.view 返回一个新张量，将输入张量转变为指定的形状大小，元素总数不变。可以理解为将张量压扁为一维后再按指定形状重构，相当于 reshape 操作。

torch.Tensor.view(*shape) → Tensor

其中，Tensor 表示张量，shape 表示重构张量的形状。

返回的张量与输入张量必须具有相同数量的元素，但可能具有不同的形状。返回张量的形状，必须与输入张量的形状（size）和步长（stride）兼容。如果 shape 中的一个参数指定为 -1，代表自动调整这个维度上的元素个数，以保证元素的总数不变。

注意，返回的张量与输入张量共享内存，因此更改其中一个张量的内容也会改变另一个张量的内容。如果需要不共享内存，返回一个真正新的副本，可以先使用 clone() 创造一个副本然后再使用 view() 。使用 clone() 还有一个好处是会被记录在计算图中，即梯度回传到副本时也会传到源 Tensor。
$s t r i d e [i] = s t r i d e [i + 1] \times s i ze [i + 1]$

5.2.4 维度删除（squeeze）和插入（unsqueeze）

函数 torch.squeeze() 用于删除长度为 1 的维度，函数 torch.unsqueeze() 用于在指定位置插入大小为 1 的维度。

torch.squeeze(input, dim=None, *, out=None) → Tensor

torch.unsqueeze(input, dim) → Tensor

其中，tensor 表示输入的张量，dim 表示指定的位置。

函数 torch.squeeze() 默认将 input 中所有长度为 1 的维度删掉；也可以通过 dim 指定位置，删掉指定位置的维数为 1的维度。例如，input 的形状为 (A, 1, B)，squeeze(input) 返回结果的形状是 (A, B)，squeeze(input, 1) 返回结果的形状也是 (A, B)，而 squeeze(input, 0) 返回结果的形状仍是 (A, 1, B)，

注意：

（1）返回的张量与输入张量共享内存，因此更改其中一个张量的内容也会改变另一个张量的内容。

（2）对于批量张量，如果批量轴（batch axis）的长度为 1（batch=1），维度删除操作也会删除批量维度（batch dimension），可能会导致错误。

# (19) 张量的维度删除和维度插入
x = torch.zeros(2, 1, 3, 4, 1)
y1 = torch.squeeze(x)
y2 = torch.squeeze(x, 0)
y3 = torch.squeeze(x, 1)
print(x.shape)  # torch.Size([2, 1, 3, 4, 1])
print(y1.shape)  # torch.Size([2, 3, 4])
print(y2.shape)  # torch.Size([2, 1, 3, 4, 1])
print(y3.shape)  # torch.Size([2, 3, 4, 1])

z1 = torch.unsqueeze(y1, 0)
z2 = torch.unsqueeze(y1, 1)
print(z1.shape)  # torch.Size([1, 2, 3, 4])
print(z2.shape)  # torch.Size([2, 1, 3, 4])

5.2.5 重新排列张量的维度（permute）

函数 torch.permute() 用于重新排列张量的维度。

torch.permute(input, dims) → Tensor

其中，tensor 表示输入的张量，dims 表示所需的维度及长度。

dims 是元组，表示张量的维数，元组元素依次是第0维长度、第1维长度、等等…。

# (20) 重新排列张量的维度
x = torch.randint(0, 10, size=(2, 3, 5))  # 均匀分布随机整数，[0, 10) 区间
print(x)
print(x.shape)  # torch.Size([2, 3, 5])
y = torch.permute(x, (2, 0, 1))
print(y)
print(y.shape)  # torch.Size([5, 2, 3])

6. 张量的索引、切片和连接

6.1 张量的索引与切片

索引是指访问张量中的唯一元素。张量是有序序列，可以根据每个元素在系统内的顺序位置，访问特定的元素，这就是索引。

张量的索引方式与 Python 中的列表索引方式类似，可以使用整数、切片、布尔值和其他张量来进行索引。例如，对于一个二维张量，可以使用两个整数来访问其中的元素，如 tensor[0][1]。

切片是针对某个维度方向下标访问张量，通过切片可以一次访问多个顺序的元素。每个维度方向上都可以进行各自独立的切片访问，最终得到分布在不同维度方向上的多个张量元素。例如，对于一个二维张量，可以使用切片来访问张量中的元素，如 tensor[0:2, 0:2]。

切片的一般形式是 [start: end: step]，通过三个参数和冒号来定义切片的方式。其中：

start 是闭合区间即包含 start 索引的元素，end 是开区间即不包含 end 索引的元素。
start 如果缺省则默认为 0，end 如果缺省则默认为 len(tensor)。
在 PyTorch 中 step 必须是正整数，不允许负数步长。

一维张量的索引

一维张量索引是从左到右，从 0 开始的。

# (21) 张量的索引与切片
# 一维张量的索引
t1 = torch.arange(10)*2
print(t1)  # tensor([ 0,  2,  4,  6,  8, 10, 12, 14, 16, 18])

# 访问索引位置为 0 的元素
print(t1[1])  # tensor(2)，零维张量
print(t1[1].item())  # 2，取出零维张量的值

# 一维张量的切片
print(t1[0:2])  # tensor([0, 2])
print(t1[:2])  # tensor([0, 2])
print(t1[::2])  # tensor([ 0,  4,  8, 12, 16])

特别注意：

张量元素的索引是零维张量，而不是一个数值！要得到张量元素索引的数值，需要使用 item()方法。
张量索引的结果与原始的张量共享内存，修改原始张量或张量索引中一个的值，则另一个也会被修改。
注意 t1[:2] 是对第 0 列到第 1 列进行切片，而 t1[::2] 是对所有列以 2 为步长进行切片。

二维张量的索引

二维张量索引的逻辑与一维张量索引相同。形状为 (nx, ny) 的二维张量，可以理解为由 nx 个一维张量构成，每个一维张量由 ny 个元素构成。

对于一个二维张量，可以使用两个整数来访问其中的元素，如 tensor[0][1] 表示索引第 0 行、第 1 列的元素。

# 二维张量的索引
t2 = torch.arange(16).reshape(4, 4)
print(t2[0, 1])  # tensor(1)
print(t2[0][1])  # tensor(1)
print(t2[0, 1].item())  # 1

# 二维张量的切片
print(t2[::2, ::2])  # tensor([[0, 2], [8, 10]])
print(t2[::2][::2])  # tensor([[0, 1, 2, 3]])
print(t2[::2])  # tensor([[0, 1, 2, 3], [8, 9, 10, 11]])
print((t2[::2])[::2])  # tensor([[ 0, 1, 2, 3]])

特别注意：

二维张量元素的索引 t2[0][1]，也可以写成 t2[0,1]，结果相同，都是零维张量。
但是，t2[::2][::2] 与 t2[::2, ::2] 切片的结果不同。二维切片 t2[::2, ::2] 使用逗号隔开时，可以理解为对二维张量的全局索引，取隔行隔列的元素。二维切片 t2[::2][::2]在两个中括号中时，可以理解为对二维张量的两次隔行切片 (t2[::2])[::2]，先取隔行切片构成一个新的张量 (t2[::2])，又对新的张量 (t2[::2]) 再进行隔行索引，因此切片的结果是张量 t2 的第 0 行。

三维张量的索引

形状为 (nx, ny, nz) 三维张量，可以理解为由 nx 个二维张量构成，每个二维张量由 ny 个一维张量构成，每个一维张量由 nz 个元素构成。

# 三维张量的索引和切片
t3 = torch.arange(27).reshape(3, 3, 3)
print(t3[0, 1, 2])  # tensor(5)
print(t3[0, 1, 2].item())  # 5
print(t3[0, ::2, ::2])  # tensor([[0, 2], [6, 8]])
print(t3[0, :, ::2])  # tensor([[0, 2], [3, 5], [6, 8]])

索引函数 index_select

PyTorch 还提供了函数 torch.index_select 来对张量进行索引。

torch.index_select(input, dim, index, *, out=None) → Tensor

参数说明：

input，张量，要索引的张量
dim，整数，要索引的维度
index，整形张量，包括索引序号的一维张量

函数 index_select() 表示在张量的哪个维度进行索引，索引的位值是多少，返回依 index 索引数据拼接的张量。

# 张量的索引函数
x = torch.arange(12).reshape(3, 4)
indices = torch.tensor([0, 2])
t1 = torch.index_select(x, 0, indices)
t2 = torch.index_select(x, 1, indices)
print(x)  # tensor([[0, 1, 2, 3], [4, 5, 6, 7], [ 8, 9, 10, 11]])
print(t1)  # tensor([[0, 1, 2, 3], [ 8, 9, 10, 11]])
print(t2)  # tensor([[0, 2], [4, 6], [8, 10]])

6.2 张量的拆分

拆分函数 split

PyTorch 提供了函数 torch.split 将张量拆分为块，每个块都是输入张量的一个视图。

torch.split(tensor, split_size_or_sections, dim=0) → List[Tensor]

参数说明：

tensor，张量，要拆分的张量
split_size_or_sections，整数类型，表示单个块的大小；或整型列表，表示每个块大小的列表。
dim，整数，拆分张量的维度
List[Tensor]，返回值，张量的列表

函数说明：

split_size_or_sections 是整数类型时，则将张量按整数拆分为大小相等的块，不能整除时最后一块将更小。
split_size_or_sections 是整型列表时，则按列表长度将张量拆分为若干块，每块大小是对应的列表元素值。

# (22) 张量的拆分
x = torch.arange(10).reshape(5, 2)
s1 = torch.split(x, 2)
s2 = torch.split(x, [2, 3])
print(x)
# tensor([[0, 1],
#         [2, 3],
#         [4, 5],
#         [6, 7],
#         [8, 9]])
print(s1)
# (tensor([[0, 1], [2, 3]]),
#  tensor([[4, 5], [6, 7]]),
#  tensor([[8, 9]]))
print(s2)
# (tensor([[0, 1], [2, 3]]),
#  tensor([[4, 5], [6, 7], [8, 9]]))

拆分函数 chunk

PyTorch 提供了函数 torch.chunk 将张量拆分为指定数量的块，每个块都是输入张量的一个视图。

torch.chunk(input, chunks, dim=0) → List[Tensor]

参数说明：

input，张量，要拆分的张量
chunk，整数，表示返回的块数。
dim，整数，拆分张量的维度
List[Tensor]，返回值，张量的列表

函数说明：

如果沿着维度 dim 的张量大小可以被块数 chunk 整除，那么所有块的大小相同。
如果沿着维度 dim 的张量大小不能被块数 chunk 整除，那么最后一块将更小，其它所有块都的大小相同。
如果无法按以上规则拆分，则函数返回的块数可能少于指定的块数 chunk。

# 张量拆分函数 chunk
t1 = torch.arange(10)
print(t1.chunk(3))
# (tensor([0, 1, 2, 3]), tensor([4, 5, 6, 7]), tensor([8, 9]))
print(t1.chunk(4))
# (tensor([0, 1, 2]), tensor([3, 4, 5]), tensor([6, 7, 8]), tensor([9]))
print(t1.chunk(5))
# (tensor([0, 1]), tensor([2, 3]), tensor([4, 5]), tensor([6, 7]), tensor([8, 9]))

6.3 张量的连接

函数 torch.cat 和函数 torch.stack 都可以实现张量的连接，区别在于是否产生新的维度。函数 torch.cat 不产生新的维度，相当于张量堆叠；而函数 torch.stack 可以在新的维度上进行拼接，产生高维张量。

张量连接函数 cat

函数 torch.cat 沿着指定维度 dim 对输入的张量序列进行连接。

torch.cat(tensors, dim=0, *, out=None) → Tensor

参数说明：

tensors，张量序列（列表或元组），要连接的张量
dim，整数，张量连接的维度，可选项，默认为 0

函数说明：

张量序列中所有非空的张量，进行连接的维度 dim 的大小可以不同，其它维度的形状必须相同。
函数 torch.cat 是函数 torch.chunk 的反向操作。

# (23) 张量的连接函数
# 张量连接函数 cat
t1 = torch.arange(6).reshape(2, 3)
t2 = torch.arange(10, 13).reshape(1, 3)

c1 = torch.cat((t1, t1), dim=0)
print(c1)
# tensor([[0, 1, 2],
#         [3, 4, 5],
#         [0, 1, 2],
#         [3, 4, 5]])
c2 = torch.cat((t1, t1, t1), dim=1)
print(c2)
# tensor([[0, 1, 2, 0, 1, 2],
#         [3, 4, 5, 3, 4, 5]])
c3 = torch.cat((t1, t2), dim=0)
print(c3)
# tensor([[ 0,  1,  2],
#         [ 3,  4,  5],
#         [10, 11, 12]])
# c4 = torch.cat((t1, t2), dim=1)  # 报错， dim=1 维度不一致

张量连接函数 stack

函数 torch.stack 沿着一个新维度对输入的张量序列进行连接。

torch.stack(tensors, dim=0, *, out=None) → Tensor

参数说明：

tensors，张量序列（列表或元组），要连接的张量
dim，整数，插入的维度，0~len(out) 之间的整数

函数说明：

张量序列中所有张量的形状必须相同。
将张量序列在增加的新维度 dim 进行堆叠，例如把多个二维张量拼接为一个三维张量，多个三维张量拼接为一个四维张量。

# 张量连接函数 stack
x1 = torch.tensor([[1, 2, 3], [4, 5, 6]])
x2 = torch.zeros_like(x1)
x3 = torch.ones_like(x1)
print(x1.shape)  # torch.Size([2, 3])

xStack1 = torch.stack((x1, x2), dim=0)
print(xStack1.shape)  # torch.Size([2, 2, 3])
print(xStack1)

xStack2 = torch.stack((x1, x2), dim=1)
print(xStack2.shape)  # torch.Size([2, 2, 3])
print(xStack2)

print(torch.stack((x1, x2, x3), dim=2).shape)  # torch.Size([2, 3, 3])
# print(torch.stack((x1, x2), dim=3).shape)  # IndexError: Dimension out of range

结果如下：

x1.shape: torch.Size([2, 3])
xStack1.shape: torch.Size([2, 2, 3])
tensor([[[1, 2, 3],
         [4, 5, 6]],
        [[0, 0, 0],
         [0, 0, 0]]])
xStack2.shape: torch.Size([2, 2, 3])
tensor([[[1, 2, 3],
         [0, 0, 0]],
        [[4, 5, 6],
         [0, 0, 0]]])
xStack3.shape: torch.Size([2, 3, 3])

7. PyTorch张量与 Numpy/列表/元组的转换

7.1 Numpy/列表/元组转换为张量

可以将 Numpy 数组、列表 list 或元组 tuple 转换为张量。

# (24) 将 Numpy 数组、列表 list 或元组 tuple转换为张量
# Numpy 数组转换为张量
xnp = np.array([[1, 2, 3], [4, 5, 6]])
x1 = torch.tensor(xnp)
print(x1)
x2 = torch.from_numpy(xnp)
print(x2)
# list 列表转换为张量
xlist = [[1, 2, 3], [4, 5, 6]]
x2 = torch.tensor(xlist)
print(x2)
# tuple 元组转换为张量
xtuple = ((1, 2, 3), (4, 5, 6))
x3 = torch.tensor(xtuple)
print(x3)

输出为：

tensor([[1, 2, 3],
[4, 5, 6]], dtype=torch.int32)

tensor([[1, 2, 3],
[4, 5, 6]], dtype=torch.int32)

tensor([[1, 2, 3],
[4, 5, 6]])
tensor([[1, 2, 3],
[4, 5, 6]])

torch.tensor(xnp) 与 torch.from_numpy(xnp) 都能将 Numpy 数组转换为张量，但 torch.from_numpy() 可以自动识别并保留 Numpy 数组的数据类型。

7.2 张量转换为Numpy/列表/元组

函数 torch.numpy() 用于将张量转换为 Numpy 数组，函数 torch.tolist() 用于将张量转换为 list 列表。

# (25) 张量转换为Numpy/列表/元组
X = torch.tensor([[1, 2, 3], [4, 5, 6]])
# 张量转换为 Numpy 数组
xnp = X.numpy()
print(type(xnp))  # <class 'numpy.ndarray'>
print(xnp)  # [[1 2 3], [4 5 6]]
# 张量转换为 list 列表
xlist = X.tolist()
print(type(xlist))  # <class 'list'>
print(xlist)  # [[1, 2, 3], [4, 5, 6]]
# 张量转换为 list 列表
Xlist = list(X)
print(type(Xlist))  # <class 'list'>
print(Xlist)  # [tensor([1, 2, 3]), tensor([4, 5, 6])]

注意：由于 Numpy 数组不支持 GPU 运算，要把 GPU 上创建的张量转换为 Numpy 数组，需要先通过 to('cpu') 或 cpu() 函数把 GPU 上的张量转移到 CPU 上，然后再分离数据结构。

7.3 提取张量的数值

函数 torch.item() 用于将 0 维张量转换为数值，此方法只能用于只有一个元素的 0 维张量，通常用于输出最终的计算结果。

# 0 维张量转换为 数值
tout = torch.tensor(6)  # 仅用于只有一个元素的张量
print("tout =", tout.item())  # tout = 6

8. 序列化张量

序列化张量是指保存某个时序的张量到文件中，在后面可以装载到程序中。

PyTorch 在内部使用 pickle 来序列化张量对象，并为存储添加专用的序列化代码。

通过下述方法可以将张量 points 保存到 ourpoints.t 文件中：

# (26) 序列化张量
# Method 1
torch.save(points, './ourpoints.t')
# Method 2
with open('./ourpoints.t', 'wb') as f:
    torch.save(points, f)

从 ourpoints.t 中读取：

# Method 1
points = torch.load('./ourpoints.t')
# Method 2
with open('./ourpoints.t', 'rb') as f:
    points = torch.load(f)

上述保存张量的方法很简单，但是对于 .t 的文件，只能通过 PyTorch 打开。

我们也可以使用 h5py 来序列化到 HDF5，但需要安装 h5py。

conda install h5py

使用方法如下。

import h5py
f = h5py.File('ourpoints.hdf5', 'w')
dset = f.create_dataset('coords', data=points.numpy())
f.close()

HDF5 的优势是可以在磁盘上索引数据集，并且只访问我们需要的元素。

例如只想要 points 中最后两个点的坐标，例程如下：

f = h5py.File('ourpoints.hdf5', 'r')
dset = f['coords']
last_points = dset[-2:]
last_points
'''
array([[5., 3.],
       [2., 1.]], dtype=float32)
'''
last_points = torch.from_numpy(dset[-2:])
f.close()
last_points
'''
tensor([[5., 3.],
        [2., 1.]])
'''

【本节完】

版权声明：
欢迎关注『youcans的深度学习』系列，转发请注明原文链接：
【youcans的深度学习 06】PyTorch入门教程：张量的基本操作 2 (https://youcans.blog.csdn.net/article/details/130564877）
Copyright 2023 youcans, XUPT
Crated：2023-05-08