1. 張量的拼接

(1) numpy.concatenate

np.concatenate((a1,a2,a3,…), axis=0)

張量的拼接要用np.concatenate這個方法的，其中 a1,a2,a3,…是拼接的子張量，axis是維數(shù)，axis=0表示按照第一維進行拼接。

例如將兩個二維的張量按照第一維拼接成一個二維的張量：

import numpy as np
a=np.array([[1,2,3]])
b=np.array([[4,5,6]])
c=np.concatenate((a,b),axis=0)
print(c)
d=np.concatenate((c,a),axis=0)
print(d)
e=np.concatenate((c,c),axis=1)
print(e)

結(jié)果

array([[1, 2, 3],
       [4, 5, 6]])
array([[1, 2, 3],
       [4, 5, 6],
       [1, 2, 3]])
array([[1, 2, 3, 1, 2, 3],
       [4, 5, 6, 4, 5, 6]])

對于axis選擇的更簡單直接的理解是我們可以從將被拼接的兩個矩陣的形狀上來看，比如

a.shape=(3,1,2), b.shape=(6,1,2),則我們對其進行拼接的話目的是讓拼接之后的shape=(9,1,2),那么我們就選擇axis=0，即代表對第0維的進行相加。

代碼如下：

import numpy as np
a = np.zeros((3, 1, 2))
b = np.zeros((6, 1, 2))
c = np.concatenate((a, b), axis=0)
print(c.shape)

結(jié)果為：

(9, 1, 2)

(2) torch.cat

這里的拼接和上面介紹的numpy的拼接功能是一樣的

C = torch.cat( (A,B),0 ) ?#按維數(shù)0拼接（豎著拼）
C = torch.cat( (A,B),1 ) ?#按維數(shù)1拼接（橫著拼）

例：

import torch
A=torch.ones(2,3) ?#2x3的張量（矩陣） ??
B=2*torch.ones(4,3) ?#4x3的張量（矩陣） ? ?
C=torch.cat((A,B),0) ?#按維數(shù)0（行）拼接
print(C) ? ? ? ? ? ? ? ? ? ? ?

結(jié)果：

tensor([[ 2.,  2.,  2.],
        [ 2.,  2.,  2.],
        [ 2.,  2.,  2.],
        [ 2.,  2.,  2.]])

接著上面

D=2*torch.ones(2,4) #2x4的張量（矩陣）
C=torch.cat((A,D),1)#按維數(shù)1（列）拼接
print(C)

結(jié)果：

tensor([[ 1.,  1.,  1.,  2.,  2.,  2.,  2.],
        [ 1.,  1.,  1.,  2.,  2.,  2.,  2.]])

2. 張量的重構(gòu)

(1) np.reshape

>>> import numpy as np
>>> a = np.array([[1,2,3],[4,5,6]])
>>> a
array([[1, 2, 3],
? ? ? ?[4, 5, 6]])
>>> b = np.reshape(a, (2,3,1))
>>> b
array([[[1],
? ? ? ? [2],
? ? ? ? [3]],

? ? ? ?[[4],
? ? ? ? [5],
? ? ? ? [6]]])
>>> b.shape
(2, 3, 1)

(2) array.shape

>>> import numpy as np
>>> a = np.array([1,2,3,4,5,6,7,8])
>>> a.shape = (2, 4)
>>> a
array([[1, 2, 3, 4],
? ? ? ?[5, 6, 7, 8]])

(3) torch.view

在pytorch中view函數(shù)的作用為重構(gòu)張量的維度，相當(dāng)于numpy中resize（）的功能，但是用法可能不太一樣。

1.torch.view(參數(shù)a，參數(shù)b，…)

例如：

import torch
tt1=torch.tensor([-0.3623, -0.6115, ?0.7283, ?0.4699, ?2.3261, ?0.1599])
result=tt1.view(3,2)
print(result)

結(jié)果

tensor([[-0.3623, -0.6115],
        [ 0.7283,  0.4699],
        [ 2.3261,  0.1599]])

在上面例子中參數(shù)a=3和參數(shù)b=2決定了將一維的tt1重構(gòu)成3x2維的張量。

2.有的時候會出現(xiàn)torch.view(-1)或者torch.view(參數(shù)a，-1)這種情況。

例：

import torch
tt2=torch.tensor([[-0.3623, -0.6115],
? ? ? ? ?[ 0.7283, ?0.4699],
? ? ? ? ?[ 2.3261, ?0.1599]])
result=tt2.view(-1)
print(result)

結(jié)果：

tensor([-0.3623, -0.6115,  0.7283,  0.4699,  2.3261,  0.1599])

由上面的案例可以看到，如果是torch.view(-1)，則原張量會變成一維的結(jié)構(gòu)。

例：

import torch
tt3=torch.tensor([[-0.3623, -0.6115],
? ? ? ? ?[ 0.7283, ?0.4699],
? ? ? ? ?[ 2.3261, ?0.1599]])
>>> result=tt3.view(2,-1)

結(jié)果：

tensor([[-0.3623, -0.6115,  0.7283],
        [ 0.4699,  2.3261,  0.1599]])

由上面的案例可以看到，如果是torch.view(參數(shù)a，-1)，則表示在參數(shù)b未知，參數(shù)a已知的情況下自動補齊列向量長度，在這個例子中a=2，tt3總共由6個元素，則b=6/2=3。

例：

import torch
inputs = torch.randn(1,3)
print(inputs)
print(inputs.view(1, 1, -1))

結(jié)果：

tensor([[-0.5525,  0.6355, -0.3968]])
tensor([[[-0.5525,  0.6355, -0.3968]]])

將二維變?yōu)槿S,a=1,b=1,c=3/(1*1)

3. 張量的形狀

(1) torch.size

import torch
inputs = torch.randn(1,3)
print(inputs.size())

結(jié)果：

torch.Size([1, 3])

４. 張量的擴展

(1) torch.tensor擴展方法

用unsqueeze方法將原張量進行維度擴張，unsqueeze后面括號里的數(shù)字代表在哪個維度擴張

import torch

a = torch.tensor([[1, 2, 3], [4, 5, 6]])
b = torch.tensor([[7, 8, 9], [4, 5, 6]])
print(a)
print(b)
a = a.unsqueeze(0)
b = b.unsqueeze(0)
print(a)
print(b)
c = torch.cat((a, b), 0)
print(c)
print(c.shape)

結(jié)果為

tensor([[1, 2, 3],
        [4, 5, 6]])
tensor([[7, 8, 9],
        [4, 5, 6]])
tensor([[[1, 2, 3],
         [4, 5, 6]]])
tensor([[[7, 8, 9],
         [4, 5, 6]]])
tensor([[[1, 2, 3],
         [4, 5, 6]],

        [[7, 8, 9],
         [4, 5, 6]]])
torch.Size([2, 2, 3])

用squeeze方法將原張量進行維度縮減，squeeze后面括號里的數(shù)字代表在哪個維度縮減

import torch

a = torch.tensor([[1, 2, 3], [4, 5, 6]])
b = torch.tensor([[7, 8, 9], [4, 5, 6]])
print(a)
print(b)
a = a.unsqueeze(0)
b = b.unsqueeze(0)
print(a)
print(b)
a = a.squeeze(0)
b = b.squeeze(0)
print(a)
print(b)

結(jié)果為

tensor([[1, 2, 3],
        [4, 5, 6]])
tensor([[7, 8, 9],
        [4, 5, 6]])
tensor([[[1, 2, 3],
         [4, 5, 6]]])
tensor([[[7, 8, 9],
         [4, 5, 6]]])
tensor([[1, 2, 3],
        [4, 5, 6]])
tensor([[7, 8, 9],
        [4, 5, 6]])

(2) np.array擴展方法

np.expand_dims:用于擴展數(shù)組的形狀

原始數(shù)組：

import numpy as np
?
In [12]:
a = np.array([[[1,2,3],[4,5,6]]])
a.shape
Out[12]:
(1, 2, 3)

np.expand_dims(a, axis=0)表示在0位置添加數(shù)據(jù)，轉(zhuǎn)換結(jié)果如下：

In [13]:
b = np.expand_dims(a, axis=0)
b
Out[13]:
array([[[[1, 2, 3],
         [4, 5, 6]]]])
 
In [14]:
b.shape
Out[14]:
(1, 1, 2, 3)

總結(jié)

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論