Pytorch-Tensor基本操作
创建tensor:
1.numpy向量转tensor:
a=np.array([2,2,2]) b=torch.from_numpy(a)
2.列表转tensor:
a=torch.tensor([2,2]) b=torch.FloatTensor([2,2.])#不常用 c=torch.tensor([[1,2],[3,4]])#2*2矩阵
3.利用大写接受shape创建:
torch.empty(2,3)#生成一个2*3的0矩阵 torch.Tensor(2,3)#生成一个2*3的随机矩阵 torch.IntTensor(2,3) torch.FloatTensor(2,3).type()
默认下,Tensor为‘torch.FloatTensor’类型,若要改为double类型的,则需要执行torch.set_default_tensor_type(torch.DoubleTensor)
来修改。
常用的不同数据类型的Tensor,有32位浮点型torch.FloatTensor、64位浮点型torch.DoubleTensor、16位整型torch.ShortTensor、32位整型torch.IntTensor和64位整型torch.LongTensor。
4.随机创建Tensor:
a=torch.rand(3,3)#创建3*3的0到1均匀分布的矩阵 a=torch.randn(3,3)#均值为0方差为1正态分布矩阵 torch.rand_like(a)#等价于下一条 torch.rand(a.shape) torch.randint(1,10,[3,3])#创建3*3的1到10随机分布的整数矩阵
5.创建相同数的矩阵:
orch.full([3,3],1)#生成3*3的全为1的矩阵 torch.full([],1)#生成标量1 torch.full([2],1)#生成一个长度为2的值全为1的向量 torch.ones(3,3) torch.zeros(3,3) torch.eye(3,4)#生成对角为1矩阵,若不是对角矩阵,则多余出用0填充 torch.eye(3)#3*3对角矩阵
6.创建规律数列矩阵:
torch.arange(0,10)#生成[0,1,2,3,4,5,6,7,8,9] torch.arange(0,10,2)#生成增量为2的数列 torch.arange(10)#效果同于(0,10) torch.linspace(0,10,4)#生成[0.0000,3.3333,6,6667,10,0000]包括10的4等分向量 torch.logspace(0,-1,steps=10,base=10)#生成10个0到-1等分的数,再以其为指数,如第一个数#为1.000,最后一个数为0.100
7.创建随机打散数组:
torch.randperm(10)#生成0~9这10个数乱序的数组(常用作索引)
tensor的索引查找(index_select/masked_select/take):
#利用掩码mask x=torch.rand(3,4) mask=x.ge(0.5)#会把x中大于0.5的置为一,其他置为0,类似于阈值化操作。 y=torch.masked_select(x,mask)#将mask中值为1的元素取出来,比如mask有3个位置值为1 y.shape#结果为tensor.Size([3]) #利用take取元素 x=torch.tensor([[1,2,3],[4,5,6]]) torch.take(x,torch.tensor([0,2,5])) #则最后结果为tensor([1,3,6]),也就是说会先将tensor压缩成一维向量,再按照索引取元素。
tensor的维度变换(view/reshape/squeeze/transpose/expand/permute):
img=torch.rand(4,1,28,28) ##view(reshape)## #view==reshape,可以任意替换 x=img.view(4,28*28) img.view(4,28,28) x.view(4,28,28,1)#此操作可行但不合理,逻辑上的问题会造成信息污染
##squeeze减少维度数和unsqueeze扩展维度数## #squeeze只关心有值的,可以挤压该值只有1个的维度,则最后会保留值总数目 x=torch.rand(1,32,1,1)#1张图,有32个通道,每个通道一个像素 x.squeeze()#形状变为[32] x.squeeze(0)#[32,1,1] x.squeeze(1)#[1,32,1,1]并没有发生压缩,因为该维度上有值,不能减少这一维度,不会报错 #unsqueeze会在参数维度上进行,若有此维度则会先将当前维度后移再拓展 img=torch.rand(4,1,28,28) img.unsqueeze(0).shape#结果为torch.Size([1,4,1,28,28]),物理意义为batch img.unsqueeze(-1).shape#结果为torch.Size([4,1,28,28,1]),等价于unsqueeze(4) #例如图片要在某个维度上面做加减,那么仅仅有一维数据是不够的,此时就需要将一维数据扩展维度 b=torch.rand(32)#torch.Size([32]) f=torch.rand(4,32,14,14)#要做到在每个channel上增加某一bias b=b.unsqueeze(1).unsqueeze(2).unsqueeze(0)#形状为[1,32,1,1] #但仅仅如此是不够的,我们知道矩阵进行加减操作是需要形状完全一致的,所以形状必须为[4,32,14,14],这就需要在某一维度上进行拓展的操作,需要了解后面的api(expand)才可以解决。
##expend仅在有需要时增加数据的扩展(starstarstar)/repeat主动增加数据的扩展## #为了将[1,32,1,1]扩展为[4,32,14,14]: #expend b.expend(4,32,14,14)#直接输入想要的形状,但是只有原维度上的数值为1时才可以进行扩展 b.expend(4,33,14,14)#报错 b.expend(4,-1,-1,-1)#表示其他维度不变,仅怎加第0维的内容 #repeat,注意参数输入的是在该维度上拷贝的次数而不是形状! b.repeat(4,32,1,1)#[4,1024,1,1] 1024=32*32 #正确操作 b.repeat(4,1,14,14)#[4,32,14,14]
#张量的转置(维度交换)操作 #对于二维向量来说: a=torch.rand(3,4) a.t()#即完成了转置 #对于任意维度张量的转置操作:transpose a=torch.rand(4,3,32,32) a.transpose(1,3)#接收参数为要进行交换那两个维度,[4,32,32,3] #接收index来进行转置:permute a.permute(0,2,3,1)#形状为[4,32,32,3]
tensor的拼接与拆分(cat/stack/spilit/chunk):
#cat拼接 a=torch.rand(4,3,18,18) b=torch.rand(5,3,18,18) c=torch.rand(4,1,18,18) d=a.copy() torch.cat([a,b],dim=0)#拼接得到(9,3,18,18)的数据 #若为2维数据,dim=0则是竖向拼接,dim=1就是横向拼接。dim所指维度可以不同,但其他维度形状必须一致 torch.cat([a,c],dim=1)#就会得到(4,4,18,18)的数据。
#stack增维度拼接 torch.stack([a,b],dim=0)#得到形状为(2,4,3,18,18)。使用时列表内对象的形状需要一致。
#split拆分 #根据欲拆分长度: a1,a2=a.split(2,dim=0)#拆分长度为2.对第0维按照2个一份进行拆分。拆分获得两个形状为(2,3,18,18)的张量。 a1,a2=a.split([3,1],dim=0)#不同长度拆分。获得(3,3,18,18)和(1,3,18,18)两个形状的张量。
#chunk拆分 #根据欲拆分数量 a1,a2,a3,a4=a.chunk(4,dim=0)#将张量依第0维拆分成4个(1,3,18,18)的张量。等效于a.split(1,dim=0)
tensor的运算:
# +等价于torch.add() #乘法 #tensor直接相*,其结果为element wise,矩阵乘法为torch.matmul或者@ #高维tensor矩阵相乘实际上是对多个二维矩阵进行并行运算 a=torch.rand(4,3,28,64) b=torch.rand(4,3,64,32) a@b#结果得到的形状为(4,3,28,32) #若(4,3,28,64)@(4,1,64,32)则会自动调用广播机制,把(4,1,64,32)转变为(4,3,64,32)再相乘。无法调用广播机制的乘法则会报错。 #平方 a=torch.full([2,2],2)#创建一个(2,2)的全2矩阵 a.pow(2)#a的每个元素都平方 a**2#等价于上一句 #开方 a.sqrt()#平方根 a**0.5#等价于上一句 #exp,log a.torch.exp(torch.ones(2,2)) torch.log(a) #近似 #floor()向下取整,ceil()向上取整,round()四舍五入。 #取整取小数 #trunc()取整,frac()取小数 #clamp取范围 a=torch.tensor([[3,5],[6,8]]) a.clamp(6)#得到[[6,6],[6,8]],小于6的都变为6 a.clamp(5,6)#得到[[5,5],[6,6]],小于下限变为下限,大于上限变为上限。
tensor的统计属性:
#范数 #求多少p范数只需要在norm(p)的参数中修改p即可 a.norm(1)#求a的一范数,范数也可以加dim= #求最大值和最小值与其相关的索引 a.min() a.max() a.argmax()#会得到索引值,返回的永远是一个标量,多维张量会先拉成向量再求得其索引。拉伸的过程为每一行加起来变成一整行,而不是matlab中的列拉成一整列。 a.argmin() a.argmax(dim=1)#如果不想获取拉伸后的索引值就需要在指定维度上进行argmax,比如如果a为(2,2)的矩阵,那么这句话的结果就可能是[1,1],表示第一行第一个在此行最大,第二行第一个在此行最大。 #累加总和 a.sum() #累乘综合 a.prod() #dim,keepdim #假设a的形状为(4,10) a.max(dim=1)#结果会得到一个(4)的张量,表示4个样本中每个样本10个特征的最大值组成的张量。(max换成argmax也是同理)。 a.max(dim=1,keepdim=True)#同时返回a.argmax(dim=1)得到的结果,以保持维度数目和原来一致。 #top-k,k-th a.topk(5)#返回张量a前5个最大值组成的向量 a.topk(5,dim=1,largest=False)#关闭largest求最小的5个 a.kthvalue(8,dim=1)#返回第八小的值 #比较操作 #都是进行element-wise操作 torch.eq(a,b)#返回的是张量 torch.equal(a,b)#返回的是True或者False
作者: 科西嘉人
出处:https://www.cnblogs.com/IaCorse/p/11762548.html
版权:本文采用「署名-非商业性使用-相同方式共享 4.0 国际」知识共享许可协议进行许可。