文章目录
张量拼接
使用torch.cat()
功能：将张量按维度dim进行拼接
示例：
t = torch.ones((2, 3))
t_0 = torch.cat([t, t], dim=0)
t_1 = torch.cat([t, t, t], dim=1)
print("t_0:{} shape:{}\nt_1:{} shape:{}".format(t_0, t_0.shape, t_1, t_1.shape))
结果：
t_0:tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]]) shape:torch.Size([4, 3])
t_1:tensor([[1., 1., 1., 1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1.]]) shape:torch.Size([2, 9])
使用torch.stack()
功能：新创建一个维度dim，然后在新维度dim上进行拼接
示例：
t = torch.ones((2, 3))
t_stack = torch.stack([t, t, t], dim=0)
print("\nt_stack:{} shape:{}".format(t_stack, t_stack.shape))
结果：
t_stack:tensor([[[1., 1., 1.],
[1., 1., 1.]],
[[1., 1., 1.],
[1., 1., 1.]],
[[1., 1., 1.],
[1., 1., 1.]]]) shape:torch.Size([3, 2, 3])
对比
cat不会拓展维度，而stack一定会创建一个新维度，会拓展维度
张量切分
使用torch.chunk()
功能：按照指定维度dim进行平均切分，如果不能整除，那最后一份张量的结果小于平均张量，最后一份张量在dim维度上的大小为余数
示例：
a = torch.ones((2, 7))
list_of_tensors = torch.chunk(a, dim=1, chunks=3)
for idx, t in enumerate(list_of_tensors):
print("第{}个张量：{}, shape is {}".format(idx+1, t, t.shape))
结果：
第1个张量：tensor([[1., 1., 1.],
[1., 1., 1.]]), shape is torch.Size([2, 3])
第2个张量：tensor([[1., 1., 1.],
[1., 1., 1.]]), shape is torch.Size([2, 3])
第3个张量：tensor([[1.],
[1.]]), shape is torch.Size([2, 1])
使用torch.split()
功能：可设置切分每一份的长度，当长度为整型int时，表示每一份的长度，当长度为列表list时，表示按list元素切分。如果list中元素和大小不等于原维度，就会报错。
示例：
t = torch.ones((2, 5))
list_of_tensors = torch.split(t, [2, 1, 2], dim=1)
for idx, t in enumerate(list_of_tensors):
print("第{}个张量：{}, shape is {}".format(idx+1, t, t.shape))
结果：
第1个张量：tensor([[1., 1.],
[1., 1.]]), shape is torch.Size([2, 2])
第2个张量：tensor([[1.],
[1.]]), shape is torch.Size([2, 1])
第3个张量：tensor([[1., 1.],
[1., 1.]]), shape is torch.Size([2, 2])
张量索引
使用torch.index_select()
功能：在维度dim上，按照index索引数据，返回由index索引到的数据拼接的张量（index数据类型是指定的，必须是torch.long）
示例：
t = torch.randint(0, 9, size=(3, 3))
idx = torch.tensor([0, 2], dtype=torch.long)
t_select = torch.index_select(t, dim=0, index=idx)
print("t:\n{}\nt_select:\n{}".format(t, t_select))
结果：
t:
tensor([[4, 5, 0],
[5, 7, 1],
[2, 5, 8]])
t_select:
tensor([[4, 5, 0],
[2, 5, 8]])
使用torch.masked_select()
功能：按照mask中的true进行索引，mask是与待索引张量形状相同的布尔型张量。
示例：
t = torch.randint(0, 9, size=(3, 3))
mask = t.le(5) # 张量小于等于5的元素(ge,le:greater than or equal, less than or equal)
t_select = torch.masked_select(t, mask)
print("t:\n{}\nmask:\n{}\nt_select:\n{} ".format(t, mask, t_select))
结果：
t:
tensor([[4, 5, 0],
[5, 7, 1],
[2, 5, 8]])
mask:
tensor([[1, 1, 1],
[1, 0, 1],
[1, 1, 0]], dtype=torch.uint8)
t_select:
tensor([4, 5, 0, 5, 1, 2, 5])
张量维度变换
使用torch.reshape()
功能：变换张量形状，如果张量在内存中是连续的，那么新张量与原张量共享内存。shape以元组形式写出。
示例：
t = torch.randperm(8)
t_reshape = torch.reshape(t, (-1, 2, 2)) # -1表示自动计算剩下的维度，这里就是2
print("t:{}\nt_reshape:\n{}".format(t, t_reshape))
# 印证共享内存
t[0] = 1024
print("t:{}\nt_reshape:\n{}".format(t, t_reshape))
print("t.data 内存地址:{}".format(id(t.data)))
print("t_reshape.data 内存地址:{}".format(id(t_reshape.data)))
结果：
t:tensor([5, 4, 2, 6, 7, 3, 1, 0])
t_reshape:
tensor([[[5, 4],
[2, 6]],
[[7, 3],
[1, 0]]])
t:tensor([1024, 4, 2, 6, 7, 3, 1, 0])
t_reshape:
tensor([[[1024, 4],
[ 2, 6]],
[[ 7, 3],
[ 1, 0]]])
t.data 内存地址:2924900028352
t_reshape.data 内存地址:2924900028352
使用torch.transpose()
功能：交换张量的两个维度。而torch.t()仅限二维张量，多用于矩阵转置。如果想多个维度重组就用torch.permute()。
示例：
t = torch.rand((2, 3, 4))
t_transpose = torch.transpose(t, dim0=1, dim1=2)
print("t shape:{}\nt_transpose shape: {}".format(t.shape, t_transpose.shape))
结果：
t shape:torch.Size([2, 3, 4])
t_transpose shape: torch.Size([2, 4, 3])
使用torch.squeeze()
功能：压缩张量中长度为1的维度。如果不指定dim，默认移除所有长度为1的维度，如果指定dim，当且仅当该维度长度为1时可被移除。torch.unsqueeze()则是根据dim扩展维度。
示例：
t = torch.rand((1, 2, 3, 1))
t_sq = torch.squeeze(t)
t_0 = torch.squeeze(t, dim=0)
t_1 = torch.squeeze(t, dim=1)
print(t.shape)
print(t_sq.shape)
print(t_0.shape)
print(t_1.shape)
结果：
torch.Size([1, 2, 3, 1])
torch.Size([2, 3])
torch.Size([2, 3, 1])
torch.Size([1, 2, 3, 1])
