【pytorch-02】：张量的索引、形状操作和常见运算函数
文章目录
1 张量索引
1.1 简单行列索引和列表索引
import torch
# 1. 简单行列索引
def test01():
# 固定随机数种子
torch.manual_seed(0)
data = torch.randint(0, 10, [4, 5])
print(data)
print('-' * 30)
# 1.1 获得指定的某行元素
# print(data[2])
# 1.2 获得指定的某个列的元素
# 逗号前面表示行, 逗号后面表示列
# 冒号表示所有行或者所有列
# print(data[:, :])
# 表示获得第3列的元素
print(data[:, 2])
# 获得指定位置的某个元素
print(data[1, 2], data[1][2])
# 表示先获得前三行，然后再获得第三列的数据
print(data[:3, 2])
# 表示获得前三行的前两列
print(data[:3, :2])
# 2. 列表索引
def test02():
# 固定随机数种子
torch.manual_seed(0)
data = torch.randint(0, 10, [4, 5])
print(data)
print('-' * 30)
# 如果索引的行列都是一个1维的列表，那么两个列表的长度必须相等
# print(data[[0, 1, 2], [2, 4]]) # 报错，索引位置都是一维，必须匹配
# 解决方法：如果不想前后维数一样，就采用二维数组
# 使用二维数组进行索引得到仍然为二维数组
print(data[[[0],[1],[2]],[2,4]])
# 1.表示获得 (0, 0)、(2, 1)、(3, 2) 三个位置的元素
# 使用一维数组进行索引，得到的是一维
print(data[[0, 2, 3], [0, 1, 2]])
# 2。表示获得 0、2、3 行的 0、1、2 列
# print(data[[[0], [2], [3]], [0, 1, 2]])
1.2 布尔索引和多维索引
import torch
# 1. 布尔索引
def test01():
torch.manual_seed(0)
data = torch.randint(0, 10, [4, 5])
print(data)
# 1. 希望能够获得该张量中所有大于3的元素
# 所有元素与3进行比较，大于返回True,小于返回False
# 返回一个布尔类型的张量
print(data > 3)
# 对于张量中的所有元素进行筛选，变为一维的张量
print(data[data > 3])
# 2. 希望返回第2列元素大于6的行
# 先获取到第二列数据，然后进行比较，得到布尔张量
# 然后再进行行索引
# 想要获取到行，在行索引的位置传入布尔张量
print(data[:,1] > 6) # tensor([ True, True, False, False])
print(data[data[:, 1] > 6]) # 选择前两行
# 3. 希望返回第2行元素大于3的所有列
# 想要获取到列，在列的位置传入布尔索引
print(data[:, data[1] > 3])
# 2. 多维索引
def test02():
torch.manual_seed(0)
data = torch.randint(0, 10, [3, 4, 5])
print(data)
print('-' * 30)
# 按照第0个维度选择第0元素，4行5列元素
print(data[0, :, :])
print('-' * 30)
# 按照第1个维度选择第0元素
print(data[:, 0, :])
print('-' * 30)
# 按照第2个维度选择第0元素
print(data[:, :, 0])
print('-' * 30)
2 张量的形状操作
2.1 reshape函数
- 保证张量元素个数不变的情况下改变张量的形状
- 在神经网络中，不同层中的数据形状不同
import torch
def test():
torch.manual_seed(0)
data = torch.randint(0, 10, [4, 5])
# 查看张量的形状
print(data.shape, data.shape[0], data.shape[1])
# print(data.size(), data.size(0), data.size(1)) # 与上述方法结果一致
# 修改张量的形状
new_data = data.reshape(2, 10)
print(new_data)
# 注意: 转换之后的形状元素个数得等于原来张量的元素个数
# 原来有多少个元素，转换之后就有多少个元素
# new_data = data.reshape(1, 10)
# print(new_data)
# 使用-1代替省略的形状
# 转换为指定的行数，列数指定为-1，可以进行自动匹配列数
new_data = data.reshape(5, -1)
print(new_data)
# 转换为两列，自动进行计算行数
new_data = data.reshape(-1, 2)
print(new_data)
2.2 transpose和permute函数的使用
- reshape函数更改形状，reshape会重新计算张量的维度，有时候不需要重新计算张量的维度，只要调整张量维度的顺序即可，可以使用transpose函数和permute函数
- transpose函数每次只能交换两个维度
- permute函数可以一次交换多个维度
import torch
# 1. transpose 函数
def test01():
torch.manual_seed(0)
data = torch.randint(0, 10, [3, 4, 5])
new_data = data.reshape(4, 3, 5)
print(new_data.shape) # torch.Size([4, 3, 5])
# 直接交换两个维度的值
new_data = torch.transpose(data, 0, 1)
print(new_data.shape) # torch.Size([4, 3, 5])
# 缺点: 一次只能交换两个维度
# 把数据的形状变成 (4, 5, 3)
# 进行第一次交换: (4, 3, 5)
# 进行第二次交换: (4, 5, 3)
new_data = torch.transpose(data, 0, 1)
new_data = torch.transpose(new_data, 1, 2)
print(new_data.shape)
# 2. permute 函数
def test02():
torch.manual_seed(0)
data = torch.randint(0, 10, [3, 4, 5])
# permute 函数可以一次性交换多个维度
new_data = torch.permute(data, [1, 2, 0])
print(new_data.shape)
2.3 view和contiguous函数
- view函数改变张量的形状，只能用于存储在整块内存中的张量，具有一定的局限性。
- pytorch中有些张量是由不同的数据块组成，并没有存储在整块的内存中，view函数无法对于这种张量进行变形处理
- 一个张量经过了transpose或者permute函数的处理之后，就无法使用view函数进行形状操作
- 先用contiguous将非连续内存空间转换为连续内存空间，然后再使用view函数进行更改张量形状
import torch
# 1. view 函数的使用
def test01():
data = torch.tensor([[10, 20, 30], [40, 50, 60]])
data = data.view(3, 2)
print(data.shape)
# is_contiguous 函数来判断张量是否是连续内存空间(整块的内存)
print(data.is_contiguous())
# 2. view 函数使用注意
def test02():
# 当张量经过 transpose 或者 permute 函数之后，内存空间基本不连续
# 此时，必须先把空间连续，才能够使用 view 函数进行张量形状操作
data = torch.tensor([[10, 20, 30], [40, 50, 60]])
print('是否连续:', data.is_contiguous())
data = torch.transpose(data, 0, 1)
print('是否连续:', data.is_contiguous())
# 此时，在不连续内存的情况使用 view 会怎么样呢？
data = data.contiguous().view(2, 3)
print(data)
2.4 squeeze和unsqueeze函数用法
- squeeze函数可以将维度为1的维度进行删除
- unsqueeze函数给张量增加维度为1的维度
import torch
# 1. squeeze 函数使用
def test01():
# 四维张量
data = torch.randint(0, 10, [1, 3, 1, 5])
print(data.shape)
# 维度压缩, 默认去掉所有的1的维度
# squeeze() - 默认去掉所有维度为1的函数
# squeeze(0) - 删除第一个位置的为1的维度
# 传入维度的索引值
new_data = data.squeeze(0)
print(new_data.shape) # torch.Size([3, 5])
# 指定去掉某个1的维度
new_data = data.squeeze(2)
print(new_data.shape)
# 2. unsqueeze 函数使用
def test02():
data = torch.randint(0, 10, [3, 5])
print(data.shape) # torch.Size([1, 3, 1, 5])
# 可以在指定位置增加维度
# -1 代表最后一个维度
new_data = data.unsqueeze(-1)
print(new_data.shape)
2.5 张量更改形状小结
- reshape 函数可以在保证张量数据不变的前提下改变数据的维度.
- transpose 函数可以实现交换张量形状的指定维度, permute 可以一次交换更多的维度.
- view 函数也可以用于修改张量的形状, 但是它要求被转换的张量内存必须连续，所以一般配合 contiguous 函数使用.
- squeeze 和 unsqueeze 函数可以用来增加或者减少维度.
3 常见运算函数
- mean()
- sum()
- pow(n)
- sqrt()
- exp()
- log() - 以e为底的对数
- log2()
- log10()
import torch
# 1. 均值
def test01():
torch.manual_seed(0)
# data = torch.randint(0, 10, [2, 3], dtype=torch.float64)
data = torch.randint(0, 10, [2, 3]).double()
# print(data.dtype)
print(data)
# 默认对所有的数据计算均值
print(data.mean())
# 按指定的维度计算均值
print(data.mean(dim=0)) # 竖向计算 按列计算
print(data.mean(dim=1)) # 横向计算 按行计算
# 2. 求和
def test02():
torch.manual_seed(0)
data = torch.randint(0, 10, [2, 3]).double()
print(data.sum())
print(data.sum(dim=0))
print(data.sum(dim=1))
# 3. 平方
def test03():
torch.manual_seed(0)
data = torch.randint(0, 10, [2, 3]).double()
print(data)
data = data.pow(2)
print(data)
# 4. 平方根
def test04():
torch.manual_seed(0)
data = torch.randint(0, 10, [2, 3]).double()
print(data)
data = data.sqrt()
print(data)
# 5. e多少次方
def test05():
torch.manual_seed(0)
data = torch.randint(0, 10, [2, 3]).double()
print(data)
data = data.exp()
print(data)
# 6. 对数
def test06():
torch.manual_seed(0)
data = torch.randint(0, 10, [2, 3]).double()
print(data)
data = data.log() # 以e为底
data = data.log2() # 以2为底
data = data.log10() # 以10为底
print(data)
原文地址：https://blog.csdn.net/weixin_51385258/article/details/143905539
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！