张量操作与线性回归
目录
张量的操作：
-
拼接：
torch.cat()
功能：将张量按维度dim进行拼接
成员变量：
- tensors:张量序列
Union[Tuple[Tensor, ...], List[Tensor]]
- dim:要拼接的维度
torch.cat()
torch.stack()
功能：在新创建的维度dim进行拼接
成员变量：
- tensors:张量序列
- dim:要拼接的维度
例程：
import torch import numpy as np n=np.array([[1,2,3,4],[2,3,4,5],[3,4,5,6]],dtype=int) t=torch.tensor(n,device="cuda",requires_grad=False) t_cat_0=torch.cat([t,t],dim=0) t_cat_1=torch.cat([t,t],dim=1) t_stack_0=torch.stack([t,t],dim=0) t_stack_1=torch.stack([t,t],dim=1) print("tensor: ",t) print("tensor_cat_0: ",t_cat_0) print("tensor_cat_1: ",t_cat_1) print("tensor_stack_0: ",t_stack_0) print("tensor_stack_1: ",t_stack_1)结果：
注意：cat()不会扩展张量的维度，而stack()会拓展张量的维度。
-
切分：
torch.chunk()
功能：将张量按维度dim进行平均切分。
返回值：张量列表
成员变量：
- input:要切分的张量
- chunks:要切分的份数
- dim:要切分的维度
注意事项：若不能整除，最后一项张量小于其他张量
t_chunk=torch.chunk(t,2,1) print("tensor _chunk: ",t_chunk)
t_chunk=torch.chunk(t,2,1) for chunk in t_chunk: print("tensor _chunk: ",chunk)
torch.split()
功能：将张量按维度dim进行切分。
返回值：张量列表
成员变量：
- 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
实现：
t_split=torch.split(t,2,1) for split in t_split: print("tensor _split: ", split)
t_split_list=torch.split(t,[1,3],1) for split in t_split_list: print("tensor _split_list: ", split)
注意：如果使用list作为参数，则元素总和等于切分前的数量。
-
索引：
torch.index_select()
功能：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
成员变量：
- input:要索引的张量
- dim:要切分的维度
- index：要索引数据的序号
实现：
x = torch.randn(3, 4) # 目标矩阵 indices = torch.tensor([0, 2],dtype=torch.long) # 在轴上筛选座标 t_index_select_0=torch.index_select(x, dim=0, index=indices) # 指定筛选对象、轴、筛选座标 t_index_select_1=torch.index_select(x, dim=1, index=indices) print("tensor: ",x); print("tensor_0: ",t_index_select_0) print("tensor_1: ",t_index_select_1)
torch.masked_select()
功能：按mask中的true进行索引
返回值：一维张量
成员变量：
- input:要索引的张量
- mask：与input同形状的布尔类型张量
实现：
print("tensor: ",t) mask=t.ge(5) print("mask: ",mask) t_mask_select=torch.masked_select(t,mask=mask) print("t_mask_select: ",t_mask_select)
-
变换：
torch.reshape()
功能：变换张量形状
注意事项：当张量在内存中是连续时，新张量与input共享数据内存
成员变量：
- input:要变换的张量
- shape:新张量的形状
实现：
t_reshape=torch.reshape(t,[-1,2]) print("t_reshape: ",t_reshape)
注意：[-1,2]中的-1表示我们不关心的维度，由系统决定。
torch.transpose()
功能：交换张量的两个维度
成员变量：
- input:要变换的张量
- dim0:要交换的维度
- dim1:要交换的维度
实现：
d=torch.randint(5,(2,3,3)) print("t: ",d) t_transpose=torch.transpose(d,dim0=0,dim1=1) print("t_transpose: ",t_transpose)
torch.t()
功能：２维张量装置，对矩阵而言等价于torch.transpose(input,0,1)
成员变量：
- input:要变换的张量
实现：
t_transpose=torch.t(t) print("t_transpose: ",t_transpose)
![]()
torch.squeeze()
功能：压缩长度为1的维度（轴）
成员变量：
- dim:若为None，移除所有长度１的轴；若指定维度，当且仅当该轴长度为１时，可以被移除；
实现：
t1=torch.rand((1,2,3)) print("t1: ",t1) print("t1.size:",t1.size()) t1_sq=torch.squeeze(t1) print("t1_sq: ",t1_sq) print("t1_sq.size: ",t1_sq.size())
torch.unsqueeze()
功能：y依据dim扩展维度
成员变量：
- dim:扩展的维度
实现：
t1=torch.rand((1,2,3)) print("t1: ",t1) print("t1.size:",t1.size()) t1_sq=torch.squeeze(t1) print("t1_sq: ",t1_sq) print("t1_sq.size: ",t1_sq.size()) t1_usq=torch.unsqueeze(t1_sq,0) print("t1_usq.size: ",t1_usq.size())
