张量（Tensor）操作
目录
1、torch.cat():将张量按照dim维度进行拼接
2、torch.stack()：将张量在新创建的dim维度上进行拼接
3、torch.chunk():将张量按照维度 dim 进行平均切分。若不能整除，则最后一份张量小于其他张量
4、torch.split():将张量按照维度 dim 进行平均切分。可以指定每一个分量的切分长度
5、torch.index_select()：在维度 dim 上，按照 index 索引取出数据拼接为张量返回
6、torch.mask_select()：按照 mask 中的 True 进行索引拼接得到一维张量返回
7、torch.reshape():变换张量的形状
8、torch.transpose():交换张量的两个维度
9、torch.t():2 维张量转置
10、torch.squeeze()和torch.unsqueeze()见：
11、torch.add():逐元素计算 input + alpha * other
⭐首先补充一个tensor形状与维度之间的关系：
[[[1., 1., 1., 1.],[1., 1., 1., 1.],[1., 1., 1., 1.]],[[1., 1., 1., 1.],[1., 1., 1., 1.],[1., 1., 1., 1.]]
]第一层（最外层）中括号里面包含了两对中括号（以逗号进行分割），这就是（2，3，4）中的2，即第0维度是2。
第二层中括号里面包含了三对中括号（以逗号进行分割），这就是（2，3，4）中的3，即第1维度是3。
第三层中括号里面包含了四个数（以逗号进行分割），这就是（2，3，4）中的4，即第2维度是4。
参考：张量——Pytorch中Tensor的维度，形状，意义_Discipline※的博客-CSDN博客_pytorch tensor维度
1、torch.cat():将张量按照dim维度进行拼接
torch.cat(tensors, dim=0, out=None)tensors: 张量序列
dim: 要拼接的维度
例子：
import torch
t1 = torch.ones(2,3)
t2 = torch.zeros(2,3)
t_cat1 = torch.cat([t1,t2],dim = 0)
t_cat2 = torch.cat([t2,t1],dim = 0)
t_cat3 = torch.cat([t1,t2],dim = 1)
print(f"t_cat1:{t_cat1}")
print(f"t_cat2:{t_cat2}")
print(f"t_cat3:{t_cat3}")运行后的结果为：
t_cat1:tensor([[1., 1., 1.],[1., 1., 1.],[0., 0., 0.],[0., 0., 0.]])
t_cat2:tensor([[0., 0., 0.],[0., 0., 0.],[1., 1., 1.],[1., 1., 1.]])
t_cat3:tensor([[1., 1., 1., 0., 0., 0.],[1., 1., 1., 0., 0., 0.]])从t_cat1和t_cat2可以看出，拼接的两个张量如果顺序不同，输出的结果也不同。
2、torch.stack()：将张量在新创建的dim维度上进行拼接
torch.stack(tensors, dim=0, out=None)tensors: 张量序列
dim: 要拼接的维度
例子：
import torch
t1 = torch.ones(2,3)
t2 = torch.zeros(2,3)
t3 = torch.full((2,3),2)
t_stack1 = torch.stack([t1,t2,t3],dim = 0)
t_stack2 = torch.stack([t1,t2,t3],dim = 1)
t_stack3 = torch.stack([t1,t2,t3],dim = 2)
print(f"t_stack1:{t_stack1}")
print(f"t_stack2:{t_stack2}")
print(f"t_stack3:{t_stack3}")运行后的结果为：
t_stack1:tensor([[[1., 1., 1.],[1., 1., 1.]],[[0., 0., 0.],[0., 0., 0.]],[[2., 2., 2.],[2., 2., 2.]]])
t_stack2:tensor([[[1., 1., 1.],[0., 0., 0.],[2., 2., 2.]],[[1., 1., 1.],[0., 0., 0.],[2., 2., 2.]]])
t_stack3:tensor([[[1., 0., 2.],[1., 0., 2.],[1., 0., 2.]],[[1., 0., 2.],[1., 0., 2.],[1., 0., 2.]]])第一次指定拼接的维度 dim =2，结果的维度是 [2, 3, 3]。后面指定拼接的维度 dim =0，由于原来的 tensor 已经有了维度 0，因此会把 tensor 往后移动一个维度变为 [1,2,3]，再拼接变为 [3,2,3]。
3、torch.chunk():将张量按照维度 dim 进行平均切分。若不能整除，则最后一份张量小于其他张量
torch.chunk(input, chunks, dim=0)input: 要切分的张量
chunks: 要切分的份数
dim: 要切分的维度
例子：
a = torch.ones((2, 7)) # 7
list_of_tensors = torch.chunk(a, dim=1, chunks=3) # 3
for idx, t in enumerate(list_of_tensors):
print("第{}个张量：{}, shape is {}".format(idx+1, t, t.shape))运行后的结果为：
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])由于 7 不能整除 3，7/3 再向上取整是 3，因此前两个维度是 [2, 3]，所以最后一个切分的张量维度是 [2,1]。
4、torch.split():将张量按照维度 dim 进行平均切分。可以指定每一个分量的切分长度
torch.split(tensor, split_size_or_sections, dim=0)tensor: 要切分的张量
split_size_or_sections: 为 int 时，表示每一份的长度，如果不能被整除，则最后一份张量小于其他张量；为 list 时，按照 list 元素作为每一个分量的长度切分。如果 list 元素之和不等于切分维度 (dim) 的值，就会报错。
dim: 要切分的维度
例子：
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))运行后的结果为：
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])5、torch.index_select()：在维度 dim 上，按照 index 索引取出数据拼接为张量返回
torch.index_select(input, dim, index, out=None)input: 要索引的张量
dim: 要索引的维度
index: 要索引数据的序号
例子：
# 创建均匀分布
t = torch.randint(0, 9, size=(3, 3))
# 注意 idx 的 dtype 不能指定为 torch.float
idx = torch.tensor([0, 2], dtype=torch.long)
# 取出第 0 行和第 2 行
t_select = torch.index_select(t, dim=0, index=idx)
print("t:\n{}\nt_select:\n{}".format(t, t_select))运行后的结果为：
t:
tensor([[4, 5, 0],[5, 7, 1],[2, 5, 8]])
t_select:
tensor([[4, 5, 0],[2, 5, 8]])6、torch.mask_select()：按照 mask 中的 True 进行索引拼接得到一维张量返回
torch.masked_select(input, mask, out=None)要索引的张量
mask: 与 input 同形状的布尔类型张量
例子：
import torch
t = torch.randint(0, 9, size=(3, 3))
mask = t.le(5)
# 取出小于 5 的数
t_select = torch.masked_select(t, mask)
print("t:\n{}\nmask:\n{}\nt_select:\n{} ".format(t, mask, t_select))运行后的结果为：
t:
tensor([[3, 2, 2],[4, 0, 4],[8, 7, 2]])
mask:
tensor([[ True, True, True],[ True, True, True],[False, False, True]])
t_select:
tensor([3, 2, 2, 4, 0, 4, 2]) 7、torch.reshape():变换张量的形状
⭐当张量在内存中是连续时，返回的张量和原来的张量共享数据内存，当改变一个变量时，另一个变量也会被改变。
torch.reshape(input, shape)input: 要变换的张量
shape: 新张量的形状
例子：
# 生成 0 到 8 的随机排列
t = torch.randperm(8)
# -1 表示这个维度是根据其他维度计算得出的
t_reshape = torch.reshape(t, (-1, 2, 2))
print("t:{}\nt_reshape:\n{}".format(t, t_reshape))运行后的结果为：
t:tensor([6, 3, 5, 4, 2, 1, 0, 7])
t_reshape:
tensor([[[6, 3],[5, 4]],[[2, 1],[0, 7]]])在上面代码的基础上，修改张量中的元素，新张量的元素也会随之改变。
8、torch.transpose():交换张量的两个维度
torch.transpose(input, dim0, dim1)input: 要交换的变量
dim0: 要交换的第一个维度
dim1: 要交换的第二个维度
例子：
t = torch.rand((2, 3, 4))
t_transpose = torch.transpose(t, dim0=1, dim1=2) # c*h*w c*w*h
print("t shape:{}\nt_transpose shape: {}".format(t.shape, t_transpose.shape))运行后的结果为：
t shape:torch.Size([2, 3, 4])
t_transpose shape: torch.Size([2, 4, 3])9、torch.t():2 维张量转置
例子：
t = torch.randint(1,5,size=(3,3))
t_t = torch.t(t)
print("t:\n{}\nt_t:\n{}".format(t,t_t))运行后的结果为:
tensor([[2, 2, 2],[3, 1, 3],[3, 4, 2]])
t_t:
tensor([[2, 3, 3],[2, 1, 4],[2, 3, 2]])10、torch.squeeze()和torch.unsqueeze()见：
pytorch中squeeze()和unsqueeze()函数介绍_冲冲冲鸭鸭鸭~的博客-CSDN博客_pytorch squeeze()
11、torch.add():逐元素计算 input + alpha * other
torch.add(input, other, out=None)
torch.add(input, other, *, alpha=1, out=None)input: 第一个张量
alpha: 乘项因子
other: 第二个张量
参考：[PyTorch 学习笔记] 1.3 张量操作与线性回归
张量（Tensor）操作相关推荐
- pytorch张量(tensor)常用高级操作函数
张量创建 张量拼接.切分.索引和变换 torch.cat(),torch.concentrate(),torch.concat() 注:这三个函数是等价的 函数:torch.cat(tensors, ...
- Tensorflow:张量(Tensor)的创建及其基础操作
Tensorflow版本:V2.8.0 Tensorflow中所有的运算操作都是基于张量进行的.Tensorflow中的张量Tensor是具有统一类型的多维数组.这篇博文主要介绍张量的创建及基础操 ...
- Pytorch张量tensor的使用
1. 张量Tensor Tensors张量: 张量的概念类似于Numpy中的ndarray数据结构, 最大的区别在于Tensor可以利用GPU的加速功能. 张量是一个统称,其中包含很多类型: [各 ...
- 深度学习框架pytorch入门之张量Tensor(一)
文章目录 一.简介 二.查看帮助文档 三.Tensor常用方法 1.概述 2.新建方法 (1)Tensor(*sizes) tensor基础构造函数 (2)ones(*sizes) 构造一个全为1的T ...
- 张量tensor学习笔记
一.前言 上篇博文我们介绍了numpy和pandas.这篇博文我们主要来介绍下pytorch里面的数据结构tensor.tensor是pytorch中最基础的知识,下面我们主要介绍tensor的基 ...
- Pytorch入门之张量tensor
一.张量tensor 张量的三个特征:秩.轴.形状 张量的秩是指索引的个数,轴是指每一个维度的最大的索引的值,张量的形状提供了维度和索引的数量关系. 经常需要对张量进行重塑 t.reshape(1,9 ...
- tensor转换为图片_pytorch 实现张量tensor,图片,CPU,GPU,数组等的转换
1, 创建pytorch 的Tensor张量: torch.rand((3,224,224)) #创建随机值的三维张量,大小为(3,224,224) torch.Tensor([3,2]) #创建张量 ...
- pytorch 实现张量tensor,图片,CPU,GPU,数组等的转换
pytorch 实现张量tensor,图片,CPU,GPU,数组等的转换 1, 创建pytorch 的Tensor张量: torch.rand((3,224,224)) #创建随机值的三维张量,大小为 ...
- 什么是张量 (tensor)？
在TensorFlow 官方文档中文版中学习cifar10时,对张量Tensor的概念一知半解,特别在理解代码如何批量读取图片,如何实现卷积的细节困扰了我好几天,在查询网上的资料后总结如下: 一.Te ...
- pytorch 创建张量tensor
pytorch 创建张量tensor 先看下面一张图 通过上图有了一个直观了解后,我们开始尝试创建一下. 先创建一个标量和一个向量 a = torch.tensor([1]) #标量 print(a) ...
最新文章
- 利用微软Atlas消费外部Web服务
- 提单丢失了，怎么办？
- 网站怎样留住浏览用户
- BZOJ 3203 Luogu P3299 [SDOI2013]保护出题人 (凸包、斜率优化、二分)
- SVN更新时报403错误
- 【CodeForces - 260C】Balls and Boxes （思维模拟，有坑，时光倒流）
- 手动添加mysql服务
- pandas中的数据如何转化为张量？
- 95-874-040-源码-批处理-Flink批处理优化器值成本估算
- fetch与XHR的区别与优势
- 一个能让html标签变成文本的html标签lt;xmpgt;
- C语言的变参函数设计
- Layui第三方扩展LAY_EXCEL自定义导出数据类型
- matlab 组装刚度矩阵,求整体刚度矩阵matlab程序
- CSS不规则卡片-纯CSS制作优惠券样式-CSS实现锯齿样式
- 二叉树matlab整数规划,基于matlab构造最优二叉树.doc
- 系统监控+流量监控+抓包分析
- 关于一台机器运行两个身份证读卡器模块（总结）
- 从初级晋级高级UI设计师学习路线+全套视频
- 机器学习算法 09-02 TensorFlow核心概念 TensorFlow基础代码、TensorFlow线性回归解析解和BGD求法