Pytorch數(shù)據(jù)類型Tensor張量操作的實(shí)現(xiàn)

更新時(shí)間：2023年07月03日 09:25:51 作者：獨(dú)行的喵

本文主要介紹了Pytorch數(shù)據(jù)類型Tensor張量操作的實(shí)現(xiàn)，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧

一.創(chuàng)建張量的方式

1.創(chuàng)建無(wú)初始化張量

torch.empty(3, 4) 創(chuàng)建未初始化內(nèi)存的張量

2.創(chuàng)建隨機(jī)張量

x = torch.rand(3, 4) 服從0~1間均勻分布
x = torch.randn(3, 4) 服從（0，1）的正態(tài)分布
x = torch.rand_like(y) 以rand方式隨機(jī)創(chuàng)建一個(gè)和y形狀相同的張量
x = torch.randint(1, 10, [3, 3]) 創(chuàng)建元素介于[1,10)的形狀為（3，3）的隨機(jī)張量

3.創(chuàng)建初值為指定數(shù)值的張量

x = torch.zeros(3, 4) 生成形狀為(3,4)的初值全為0的張量
x = torch.full([3, 4], 6) 生成形狀為(3,4)的初值全為6的張量
x = torch.eye(5, 5) 生成形狀為(5,5)的單位陣

4.從數(shù)據(jù)創(chuàng)建張量

x = torch.tensor([1, 2, 3, 4, 5, 6]) 接收數(shù)據(jù)
torch.Tensor(3, 4) 接收tensor的維度

5.生成等差數(shù)列張量

x = torch.arange(0, 10) 生成[0,10)公差為1的等差數(shù)列張量
x = torch.arange(0, 10, 3) 生成[0,10)公差為3的等差數(shù)列張量

二.改變張量形狀

view()與reshape()方法功能用法完全一致
通過(guò)傳入改變后每一個(gè)維度的大小來(lái)重塑張量的形狀：

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)

三.索引

y = x.index_select(0, torch.tensor([0, 2]))
第一個(gè)參數(shù)表示選擇的維度，第二個(gè)參數(shù)以tensor的形式傳入，選擇該維度中的指定索引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)

根據(jù)掩碼獲得打平后的指定索引張量：

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

通過(guò)比較運(yùn)算獲得一個(gè)mask索引，然后將mask索引傳入masked_select方法來(lái)獲得打平后的新張量，具體示例如下：

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)

四.維度變換

1.維度增加unsqueeze

unsqueeze操作可以讓張量在指定非負(fù)維度前插入新的維度，在負(fù)維度后插入新的維度，傳入?yún)?shù)n表示指定的維度，即n若大于等于0則在n前插入新的維度，若n小于0則在n后插入新的維度：

x.unsqueeze(n)

假設(shè)原張量x的shape為(4,3,28,28)，使用x.unsqueeze(0) 在0維度前插入新的維度后，張量的shape變?yōu)?1,4,3,28,28)。原張量y的shape為(2),使用y.unsqueeze(1)在維度1前插入新的維度后，張量的shape變?yōu)?2,1)。代碼示例如下：

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}")

運(yùn)行結(jié)果：

2.維度擴(kuò)展expand

x.expand(a, b, c, d) 操作將原來(lái)維度擴(kuò)展為(a，b ，c ，d),傳入n個(gè)參數(shù)a，b，c，d…表示維度擴(kuò)展后的形狀，其中當(dāng)傳入的維度上的參數(shù)為-1時(shí)表示該維度保持不變。

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

使用expand只能擴(kuò)張?jiān)瓉?lái)大小為1的維度，該維度擴(kuò)張為n后的張量將在該維度上將數(shù)據(jù)復(fù)制n次，將原shape為(1,3,1)的張量擴(kuò)展為shape為(2,3,4)的張量：

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}")

運(yùn)行結(jié)果：

3.維度減少squeeze

x.squeeze(）操作可以壓縮張量的維度，當(dāng)不傳入任何參數(shù)時(shí)，squeeze()操作壓縮所有可以壓縮的維度，當(dāng)傳入指定參數(shù)時(shí)，參數(shù)可以是負(fù)數(shù)，將壓縮張量的指定維度。

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}")

運(yùn)行結(jié)果：

4.維度擴(kuò)展repeat

x.repeat(a,b,c,d) 在原來(lái)維度上分別拷貝a,b,c,d次

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

原張量x的shape為(1,2,1),通過(guò)執(zhí)行repeat(2,1,2)操作后shape變?yōu)?2,2,2)，再通過(guò)repeat(1,3,5)操作后shape變?yōu)?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}")

五.維度交換

1.簡(jiǎn)單的二維轉(zhuǎn)置函數(shù)t:

x.t()

2.交換任意兩個(gè)維度transpose

x = torch.randint(1, 10, [2, 4, 3])y = x.transpose(0, 2)print(f"original tensor in shape(2,4,3):\n{<!--{cke_protected}{C}%3C!%2D%2D%20%2D%2D%3E-->x}")print(f"transposed tensor in shape(3,4,2):\n{<!--{cke_protected}{C}%3C!%2D%2D%20%2D%2D%3E-->y}")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}")

3.重新排列原來(lái)的維度順序permute

permute操作用于重新排列維度順序，傳入的參數(shù)代表維度的索引，即dim a，dim b…

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

x.permute(1,2,0)的意義是將原來(lái)的1維度放到0維度的位置，將原來(lái)的2維度放到1維度的位置，將原來(lái)的0維度放到2維度的位置，以此重新排列維度順序：

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}")

六.張量合并

1.cat操作

代碼示例：

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

cat()函數(shù)中首先傳入一個(gè)列表[a, b, c…]表示要合并的張量集合，然后傳入一個(gè)維度dim=n，表示將這些張量在維度n上進(jìn)行合并操作。
注意concat操作合并的維度上兩個(gè)張量的維度大小可以不同，但是其余維度上必須具有相同的大小，例如(3,4,5)可以和(2,4,5)在0維度上concat合并為(5,4,5)。但是不能在1維度上合并，因?yàn)?維度上兩個(gè)張量的維度大小不同，分別為3和2。

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}")

運(yùn)行結(jié)果：

2.stack操作

stack操作在合并維度處創(chuàng)建一個(gè)新的維度。
代碼示例：

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)

運(yùn)行結(jié)果：

七.張量的分割

1.split操作

split操作是對(duì)張量在指定維度上將張量進(jìn)行分割，可以按給定長(zhǎng)度等分，也可以通過(guò)列表傳入分割方法。下面兩種分割方式結(jié)果是相同的，第一種方式是將張量x在維度0上按照每一份長(zhǎng)度為1進(jìn)行等分；第二種方式是按照長(zhǎng)度[1, 1, 1]的模式將張量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}")

2.chunk操作

chunk操作是對(duì)張量的某一維度按數(shù)量進(jìn)行分割,首先傳入第一個(gè)參數(shù)代表要分割成的份數(shù)，第二個(gè)參數(shù)指定了在哪一個(gè)維度上分割，下面的API樣例代表將張量在維度0上分割為3個(gè)張：

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

對(duì)上例split中的張量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)

到此這篇關(guān)于Pytorch數(shù)據(jù)類型Tensor張量操作的實(shí)現(xiàn)的文章就介紹到這了,更多相關(guān)Pytorch數(shù)據(jù)類型Tensor張量操作的實(shí)現(xiàn)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: