PyTorch学习笔记（1）张量

tensor

torch.tensor(data, # 数据 可以使list numpy
dtype=None, # 数据类型 默认与data一致
device=None, # 所在设备 cuda / cpu
requires_grad=False, # 是否需要梯度
pin_memory = False ,# 是否存于锁页内存)

flag = True
if flag:
     arr = np.ones((3,3))
     print('ndarray的数据类型：',arr.dtype)

     t = torch.tensor(arr,device='cuda')
     print(t)

张量拼接与切分

torch.cat()
将张量按维度dim 进行拼接 不会扩展张量的维度
tensors 张量序列
dim 要拼接的维度

torch.stack()
在新创建的维度dim 上进行拼接 会扩展张量的维度
tensors 张量序列
dim 要拼接的维度

flag = True
if flag:
     t = torch.ones((2,3))
     t_stack = torch.stack([t,t,t],dim=0)
     print('\n t_stack:{} shape:{}'.format(t_stack,t_stack.shape))

torch.chunk()
将张量按维度dim 进行平均切分
返回值 张量列表
不能整除 最后一份张量小于其他张量
input 要切分的张量
chunks 要切分的份数
dim 要切分的维度

flag = True
if flag:
     a = torch.ones((2,5))
     list_of_tensors = torch.chunk(a,dim=1,chunks=2)
     for idx ,t in enumerate(list_of_tensors):
          print('第{}个张量：{}，shape is {}'.format(idx+1,t,t.shape))

torch.split()
将张量按维度dim 进行切分
返回值 张量列表
tensor 要切分的张量
split_size_or_sections 为int时，表示每一份的长度
为list时 按list元素切分
dim 要切分的维度

flag = True
if flag:
    t = torch.ones((2,5))
    list_of_tensors = torch.split(t,2,dim=1)
    for idx , t in enumerate(list_of_tensors):
        print('第{}个张量：{}，shape is {}'.format(idx + 1, t, t.shape))

torch.index_select()
在维度dim上 按index索引数据
返回值 依index 索引数据拼接的张量
input 要索引的张量
dim 要索引的维度
index 要索引数据的序号

flag = True
if flag:
    t = torch.randint(0, 9, size=(3, 3))
     idx = torch.tensor([0, 2], dtype=torch.long)    # float
     t_select = torch.index_select(t, dim=0, index=idx)
    print("t:\n{}\nt_select:\n{}".format(t, t_select))

if flag:

    t = torch.randint(0, 9, size=(3, 3))
    mask = t.le(5)  # ge is mean greater than or equal/   gt: greater than  le  lt
    t_select = torch.masked_select(t, mask)
    print("t:\n{}\nmask:\n{}\nt_select:\n{} ".format(t, mask, t_select))