Pytorch数据类型Tensor张量操作(操作比较全)-Toy模板网

这篇具有很好参考价值的文章主要介绍了Pytorch数据类型Tensor张量操作(操作比较全)。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

Pytorch数据类型Tensor张量操作

本文只简单介绍pytorch中的对于张量的各种操作，主要列举介绍其大致用法和简单demo。后续更为详细的介绍会进行补充…

一.创建张量的方式

1.创建无初始化张量

torch.empty(3, 4) 创建未初始化内存的张量

2.创建随机张量

x = torch.rand(3, 4) 服从0~1间均匀分布
x = torch.randn(3, 4) 服从（0，1）的正态分布
x = torch.rand_like(y) 以rand方式随机创建一个和y形状相同的张量
x = torch.randint(1, 10, [3, 3]) 创建元素介于[1,10)的形状为（3，3）的随机张量

3.创建初值为指定数值的张量

x = torch.zeros(3, 4) 生成形状为(3,4)的初值全为0的张量
x = torch.full([3, 4], 6) 生成形状为(3,4)的初值全为6的张量
x = torch.eye(5, 5) 生成形状为(5,5)的单位阵

4.从数据创建张量

x = torch.tensor([1, 2, 3, 4, 5, 6]) 接收数据
torch.Tensor(3, 4) 接收tensor的维度

5.生成等差数列张量

x = torch.arange(0, 10) 生成[0,10)公差为1的等差数列张量
x = torch.arange(0, 10, 3) 生成[0,10)公差为3的等差数列张量

二.改变张量形状

view()与reshape()方法功能用法完全一致
通过传入改变后每一个维度的大小来重塑张量的形状：

x = x.view(2, 3)
x = x.reshape(2, 3)

view和reshape操作的示例：

a = torch.tensor([1, 2, 3, 4, 5, 6, 7, 8])
b = a.reshape(2, 4)
c = a.view(2, 4)
print(b)
print(c)

Pytorch数据类型Tensor张量操作(操作比较全)

三.索引

y = x.index_select(0, torch.tensor([0, 2]))
第一个参数表示选择的维度，第二个参数以tensor的形式传入，选择该维度中的指定索引index

x = torch.tensor([
    [1, 2, 3, 4],
    [5, 6, 7, 8],
    [9, 10, 11, 12],
])
y = x.index_select(0, torch.tensor([0, 2]))
print(y)
y = x.index_select(1, torch.tensor([1, 2]))
print(y)

Pytorch数据类型Tensor张量操作(操作比较全)
根据掩码获得打平后的指定索引张量：

mask = x.ge(5)
y = torch.masked_select(x, mask)

通过比较运算获得一个mask索引，然后将mask索引传入masked_select方法来获得打平后的新张量，具体示例如下：

x = torch.tensor([
    [1, 2, 0, 2],
    [3, 6, 1, 9],
    [-1, 7, -8, 1],
])
mask = x.ge(5)
y = torch.masked_select(x, mask)
print(y)
mask = x.gt(0)
y = torch.masked_select(x, mask)
print(y)
mask = x.lt(1)
y = torch.masked_select(x, mask)
print(y)

Pytorch数据类型Tensor张量操作(操作比较全)

四.维度变换

1.维度增加unsqueeze

unsqueeze操作可以让张量在指定非负维度前插入新的维度，在负维度后插入新的维度，传入参数n表示指定的维度，即n若大于等于0则在n前插入新的维度，若n小于0则在n后插入新的维度：

x.unsqueeze(n)

假设原张量x的shape为(4,3,28,28)，使用x.unsqueeze(0) 在0维度前插入新的维度后，张量的shape变为(1,4,3,28,28)。原张量y的shape为(2),使用y.unsqueeze(1)在维度1前插入新的维度后，张量的shape变为(2,1)。代码示例如下：

x = torch.randint(1, 10, [4, 3, 28, 28])
print(f"original shape: {x.shape}")
x = x.unsqueeze(0)
print(f"unsqueezed in dim 0: {x.shape}")
print("----------------------------------")
y = torch.tensor([3, 4])
print(f"original shape: {y.shape}")
m = y.unsqueeze(1)
print(f"unsqueezed in dim 1: {m.shape}\n{m}")
n = y.unsqueeze(0)
print(f"unsqueezed in dim 0: {n.shape}\n{n}")

运行结果：
Pytorch数据类型Tensor张量操作(操作比较全)

2.维度扩展expand

x.expand(a, b, c, d) 操作将原来维度扩展为(a，b ，c ，d),传入n个参数a，b，c，d…表示维度扩展后的形状，其中当传入的维度上的参数为-1时表示该维度保持不变。

x.expand(a, b, c, d)

使用expand只能扩张原来大小为1的维度，该维度扩张为n后的张量将在该维度上将数据复制n次，将原shape为(1,3,1)的张量扩展为shape为(2,3,4)的张量：

x = torch.randint(0, 2, [1, 3, 1])
y = x.expand(2, 3, 4)
print(f"original tensor in dim(1,3,1):\n{x}")
print(f"expanded tensor in dim(2,3,4):\n{y}")

运行结果：
Pytorch数据类型Tensor张量操作(操作比较全)

3.维度减少squeeze

x.squeeze(）操作可以压缩张量的维度，当不传入任何参数时，squeeze()操作压缩所有可以压缩的维度，当传入指定参数时，参数可以是负数，将压缩张量的指定维度。

x.squeeze()
x.squeeze(n)

x = torch.tensor([1, 2, 3, 4, 5, 6])
y = x.unsqueeze(1).unsqueeze(2).unsqueeze(0)
print(f"original shape :     {y.shape}")
print(f"squeezed in all dim: {y.squeeze().shape}")
print(f"squeezed in dim  0:  {y.squeeze(0).shape}")
print(f"squeezed in dim  1:  {y.squeeze(1).shape}")

运行结果：
Pytorch数据类型Tensor张量操作(操作比较全)

4.维度扩展repeat

x.repeat(a,b,c,d) 在原来维度上分别拷贝a,b,c,d次

x.repeat(a, b, c, d)

原张量x的shape为(1,2,1),通过执行repeat(2,1,2)操作后shape变为(2,2,2)，再通过repeat(1,3,5)操作后shape变为(2,6,10):

x = torch.tensor([1, 2]).reshape(1, 2, 1)
y = x.repeat(2, 1, 2)
z = y.repeat(1, 3, 5)
print(f"original tensor in dim(1,2,1): \n{x}")
print(f"repeated tensor in dim(2,2,2): \n{y}")
print(f"repeated tensor in dim(2,6,10): \n{z}")

Pytorch数据类型Tensor张量操作(操作比较全)

五.维度交换

1.简单的二维转置函数t:

x.t()

2.交换任意两个维度transpose

x = torch.randint(1, 10, [2, 4, 3])
y = x.transpose(0, 2)
print(f"original tensor in shape(2,4,3):\n{x}")
print(f"transposed tensor in shape(3,4,2):\n{y}")

Pytorch数据类型Tensor张量操作(操作比较全)

3.重新排列原来的维度顺序permute

permute操作用于重新排列维度顺序，传入的参数代表维度的索引，即dim a，dim b…

x.permute(a, b, c, d)

x.permute(1,2,0)的意义是将原来的1维度放到0维度的位置，将原来的2维度放到1维度的位置，将原来的0维度放到2维度的位置，以此重新排列维度顺序：

x = torch.tensor([
    [
        [1, 2, 3, 1],
        [4, 5, 3, 6],
        [1, 1, 0, 1]
    ],
    [
        [7, 8, 9, 1],
        [0, 2, 0, 3],
        [6, 5, 1, 8],
    ]
])

y = x.permute(1, 2, 0)
print(f"original shape: {x.shape}")
print(f"permuted shape: {y.shape}")
print(f"permuted tensor:\n{y}")

Pytorch数据类型Tensor张量操作(操作比较全)

六.张量合并

1.cat操作

代码示例：

torch.cat([a,b], dim=0)

cat()函数中首先传入一个列表[a, b, c…]表示要合并的张量集合，然后传入一个维度dim=n，表示将这些张量在维度n上进行合并操作。
注意concat操作合并的维度上两个张量的维度大小可以不同，但是其余维度上必须具有相同的大小，例如(3,4,5)可以和(2,4,5)在0维度上concat合并为(5,4,5)。但是不能在1维度上合并，因为0维度上两个张量的维度大小不同，分别为3和2。

a = torch.tensor([
    [
        [1, 0, 1],
        [9, 1, 2],
        [3, 3, 1]
    ],
    [
        [0, 0, 1],
        [2, 5, 1],
        [3, 3, 2]
    ],
    [
        [4, 1, 10],
        [0, 2, 1],
        [1, 1, 1]
    ]
], dtype=int)

b = torch.tensor([
    [
        [0, 0, 2],
        [1, 10, 2],
        [2, 3, 0]
    ],
    [
        [0, 4, 1],
        [2, 0, 1],
        [1, 3, 6]
    ],
    [
        [0, 1, 4],
        [1, 2, 1],
        [1, 4, 1]
    ]
], dtype=int)

c = torch.cat([a, b], dim=0)
print(f"shape of A: {a.shape}")
print(f"shape of B: {b.shape}")
print(f"shape of A concat B: {c.shape}")
print(c)

运行结果：
Pytorch数据类型Tensor张量操作(操作比较全)

2.stack操作

stack操作在合并维度处创建一个新的维度。
代码示例：

torch.stack([a, b], dim=0)

tensorA = torch.tensor([
    [1, 2, 3],
    [4, 5, 6]
])

tensorB = torch.tensor([
    [7, 8, 9],
    [3, 2, 1]
])
print(f"tensorA.shape:{tensorA.shape}")
print(f"tensorB.shape:{tensorB.shape}")
print("try to stack A with B in dim0:")
tensorC = torch.stack([tensorA, tensorB], dim=0)
print(f"tensorC.shape:{tensorC.shape}\n{tensorC}\n--------------------------")
print("try to stack A with B in dim1:")
tensorC = torch.stack([tensorA, tensorB], dim=1)
print(f"tensorC.shape:{tensorC.shape}\n{tensorC}\n--------------------------")
print("try to stack A with B in dim2:")
tensorC = torch.stack([tensorA, tensorB], dim=2)
print(f"tensorC.shape:{tensorC.shape}\n{tensorC}\n--------------------------")
print("try to stack A with B in dim3:")
tensorC = torch.stack([tensorA, tensorB], dim=3)
print(f"tensorC.shape:{tensorC.shape}")
print(tensorC)

运行结果：
Pytorch数据类型Tensor张量操作(操作比较全)

七.张量的分割

1.split操作

split操作是对张量在指定维度上将张量进行分割，可以按给定长度等分，也可以通过列表传入分割方法。下面两种分割方式结果是相同的，第一种方式是将张量x在维度0上按照每一份长度为1进行等分；第二种方式是按照长度[1, 1, 1]的模式将张量x分成三份。

a, b, c = x.split(1, dim=0)
a, b, c = x.split([1, 1, 1], dim=0)

x = torch.tensor([
    [
        [1, 2, 1, 3],
        [0, 1, 2, 1],
        [9, 8, 1, 2]
    ],
    [
        [1, 2, 1, 2],
        [4, 2, 4, 4],
        [1, 0, 0, 0]
    ],
    [
        [3, 3, 3, 1],
        [1, 0, 2, 3],
        [5, 1, 2, 5]
    ]
])
print(x.shape)
a, b, c = x.split(1, dim=0)
print(f"a.shape:{a.shape}\nb.shape:{b.shape}\nc.shape:{c.shape}")
print("------------------------------------")
a, b = x.split([1, 2], dim=0)
print(f"a.shape:{a.shape}\nb.shape:{b.shape}")

Pytorch数据类型Tensor张量操作(操作比较全)

2.chunk操作

chunk操作是对张量的某一维度按数量进行分割,首先传入第一个参数代表要分割成的份数，第二个参数指定了在哪一个维度上分割，下面的API样例代表将张量在维度0上分割为3个张：

a, b, c = x.chunk(3, dim=0)

对上例split中的张量x用chunk做分割的示例如下：

a, b, c = x.chunk(3, dim=1)
print(a.shape)
print(b.shape)
print(c.shape)
print("---------------------")
a, b = x.chunk(2, dim=2)
print(a.shape)
print(b.shape)