Pytorch Tensor 常用操作

https://pytorch.org/docs/stable/tensors.html

dtype: tessor的数据类型，总共有8种数据类型，其中默认的类型是torch.FloatTensor，而且这种类型的别名也可以写作torch.Tensor。

device: 这个参数表示了tensor将会在哪个设备上分配内存。它包含了设备的类型（cpu、cuda）和可选设备序号。如果这个值是缺省的，那么默认为当前的活动设备类型。

require_grad: 这个标志表明这个tensor的操作是否会被pytorch的自动微分系统（Autograd）记录其操作过程，以便后续自动求导。

layout: 表示了tensor的内存分布方式。目前，pytorch支持torch.strided方式以及实验性质地支持torch.sparse_coo。前者是目前普遍的使用方式。每一个strided tensor都关联一个torch.storage以保存其数据。

创建

典型的tensor构建方法：

torch.tensor(data, dtype=None, device=None, requires_grad=False)

从其他形式转换而来：

torch.as_tensor(data, dtype=None, device=None)

torch.from_numpy(ndarray)

创建特殊值组成的tensor：

torch.zeros(*sizes, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

torch.zeros_like(input, dtype=None, layout=None, device=None, requires_grad=False)

torch.ones(*sizes, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

torch.ones_like(input, dtype=None, layout=None, device=None, requires_grad=False)

torch.eye(n, m=None, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

torch.empty(*sizes, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

torch.empty_like(input, dtype=None, layout=None, device=None, requires_grad=False)

torch.full(size, fill_value, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

torch.full_like(input, fill_value, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

按照步长或者区间创建tensor：

torch.arange(start=0, end, step=1, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

torch.range(start=0, end, step=1, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

torch.linspace(start, end, steps=100, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

torch.logspace(start, end, steps=100, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

索引，分块，组合，变形

组合--拼接

torch.cat(seq, dim=0, out=None)：按照已经存在的维度进行concatenate。

在指定的维度dim上对序列seq进行连接操作。例如：

参数：

seq (sequence of Tensors) - Python序列或相同类型的张量序列

dim (int, optional) - 沿着此维度连接张量

out (Tensor, optional) - 输出参数

x = torch.randn(2, 3)

x

-0.5866 -0.3784 -0.1705

-1.0125 0.7406 -1.2073

[torch.FloatTensor of size 2x3]

torch.cat((x, x, x), 0)

-0.5866 -0.3784 -0.1705

-1.0125 0.7406 -1.2073

-0.5866 -0.3784 -0.1705

-1.0125 0.7406 -1.2073

-0.5866 -0.3784 -0.1705

-1.0125 0.7406 -1.2073

[torch.FloatTensor of size 6x3]

torch.cat((x, x, x), 1)

-0.5866 -0.3784 -0.1705 -0.5866 -0.3784 -0.1705 -0.5866 -0.3784 -0.1705

-1.0125 0.7406 -1.2073 -1.0125 0.7406 -1.2073 -1.0125 0.7406 -1.2073

[torch.FloatTensor of size 2x9]

torch.stack(seq, dim=0, out=None)：按照新的维度进行concatenate。

在指定的维度dim上对序列seq进行连接操作。例如：

a = torch.IntTensor([[1,2,3],[11,22,33]])

b = torch.IntTensor([[4,5,6],[44,55,66]])

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

d = torch.stack([a,b],1)

e = torch.stack([a,b],2)

c ：tensor([[[ 1,  2,  3],

[11, 22, 33]],

[[ 4,  5,  6],

[44, 55, 66]]], dtype=torch.int32)

d ：tensor([[[ 1,  2,  3],

[ 4,  5,  6]],

[[11, 22, 33],

[44, 55, 66]]], dtype=torch.int32)

e ：tensor([[[ 1,  4],

[ 2,  5],

[ 3,  6]],

[[11, 44],

[22, 55],

[33, 66]]], dtype=torch.int32)

c, dim = 0时

c = [ a, b]

d, dim =1 时

d = [ [a[0] , b[0] ] , [a[1], b[1] ] ]

e, dim = 2 时

e=[[[a[0][0],b[0][0]],[a[0][1],b[0][1]],[a[0][2],b[0][2]]],[[a[1][0],b[1][0]],[a[1][1],b[0][1]],[a[1][2],b[1][2]]]]

分块

torch.chunk(tensor, chunks, dim=0)：按照某个维度平均分块（最后一个可能小于平均值）

torch.split(tensor, split_size_or_sections, dim=0)：按照某个维度依照第二个参数给出的list或者int进行分割tensor。

索引

torch.gather(input, dim, index, out=None)：沿给定轴 dim ,将输入索引张量 index 指定位置的值进行聚合输出tensor。输入与输出大小一致。

例如：

对一个 3 维张量,输出可以定义为:

out[i][j][k] = input[index[i][j][k]][j][k]  # if dim == 0

out[i][j][k] = input[i][index[i][j][k]][k]  # if dim == 1

out[i][j][k] = input[i][j][index[i][j][k]]  # if dim == 2

• input (Tensor) – 源张量
• dim (int) – 索引的轴
• index (LongTensor) – 聚合元素的下标(index需要是torch.longTensor类型)
• out (Tensor, optional) – 目标张量

dim = 1

a = torch.randint(0, 30, (2, 3, 5))

print(a)

'''

tensor([[[ 18.,   5.,   7.,   1.,   1.],

[  3.,  26.,   9.,   7.,   9.],

[ 10.,  28.,  22.,  27.,   0.]],

[[ 26.,  10.,  20.,  29.,  18.],

[  5.,  24.,  26.,  21.,   3.],

[ 10.,  29.,  10.,   0.,  22.]]])

'''

index = torch.LongTensor([[[0,1,2,0,2],

[0,0,0,0,0],

[1,1,1,1,1]],

[[1,2,2,2,2],

[0,0,0,0,0],

[2,2,2,2,2]]])

print(a.size()==index.size())

b = torch.gather(a, 1,index)

print(b)

'''

True

tensor([[[ 18.,  26.,  22.,   1.,   0.],

[ 18.,   5.,   7.,   1.,   1.],

[  3.,  26.,   9.,   7.,   9.]],

[[  5.,  29.,  10.,   0.,  22.],

[ 26.,  10.,  20.,  29.,  18.],

[ 10.,  29.,  10.,   0.,  22.]]])

可以看到沿着dim=1，也就是列的时候。输出tensor第一页内容，

第一行分别是 按照index指定的，

input tensor的第一页

第一列的下标为0的元素 第二列的下标为1元素 第三列的下标为2的元素，第四列下标为0元素，第五列下标为2元素

index-->0,1,2,0,2    output--> 18.,  26.,  22.,   1.,   0.

'''

dim =2

c = torch.gather(a, 2,index)

print(c)

'''

tensor([[[ 18.,   5.,   7.,  18.,   7.],

[  3.,   3.,   3.,   3.,   3.],

[ 28.,  28.,  28.,  28.,  28.]],

[[ 10.,  20.,  20.,  20.,  20.],

[  5.,   5.,   5.,   5.,   5.],

[ 10.,  10.,  10.,  10.,  10.]]])

dim = 2的时候就安装 行 聚合了。参照上面的举一反三。

'''

dim = 0

index2 = torch.LongTensor([[[0,1,1,0,1],

[0,1,1,1,1],

[1,1,1,1,1]],

[[1,0,0,0,0],

[0,0,0,0,0],

[1,1,0,0,0]]])

d = torch.gather(a, 0,index2)

print(d)

'''

tensor([[[ 18.,  10.,  20.,   1.,  18.],

[  3.,  24.,  26.,  21.,   3.],

[ 10.,  29.,  10.,   0.,  22.]],

[[ 26.,   5.,   7.,   1.,   1.],

[  3.,  26.,   9.,   7.,   9.],

[ 10.,  29.,  22.,  27.,   0.]]])

这个有点特殊，dim = 0的时候(三维情况下)，是从不同的页收集元素的。

这里举的例子只有两页。所有index在0,1两个之间选择。

输出的矩阵元素也是按照index的指定。分别在第一页和第二页之间跳着选的。

index [0,1,1,0,1]的意思就是。

在第一页选这个位置的元素，在第二页选这个位置的元素，在第二页选，第一页选，第二页选。

'''

torch.index_select(input, dim, index, out=None)：选出一维度的一些slice组合成新的tensor。指定维度的大小与index大小一致。

torch.masked_select(input, mask, out=None)：按照mask输出一个一维的tensor。

torch.take(input, indices)：将输入看成1D tensor，按照索引得到输出。输出大小与index大小一致。

torch.nonzero(input, out=None)：输出非0元素的坐标。

torch.where(condition, x, y)：按照条件从x和y中选出满足条件的元素组成新的tensor。

变形

torch.reshape(input, shape)

torch.t(input)：只针对2D tensor转置

torch.transpose(input, dim0, dim1)：交换两个维度

torch.squeeze(input, dim=None, out=None)：去除那些维度大小为1的维度，如果输入张量的形状为（A×1×B×C×1×D），那么输出张量的形状为（A×B×C×D）

torch.unbind(tensor, dim=0)：去除某个维度

torch.unsqueeze(input, dim, out=None)：在指定位置添加维度

数学运算

Pointwise Ops 逐点操作

torch.addcdiv(tensor, value=1, tensor1, tensor2, out=None)

torch.addcmul(tensor, value=1, tensor1, tensor2, out=None)

torch.ceil(input, out=None)

torch.clamp(input, min, max, out=None)：max或者min可以用*代替，表示没有该项限制

torch.erf(tensor, out=None)

torch.fmod(input, divisor, out=None): 计算余数

torch.frac(tensor, out=None)

torch.lerp(start, end, weight, out=None)

torch.neg(input, out=None)

torch.pow(base, input, out=None)

torch.reciprocal(input, out=None)

torch.remainder(input, divisor, out=None)：计算余数

torch.rsqrt(input, out=None)

torch.sign(input, out=None)：取符号

torch.trunc(input, out=None)：截取整数部分

Reduction Ops 归约操作

torch.dist(input, other, p=2) 计算p范数

torch.norm() 计算2范数

torch.prod() 计算所有元素的积

torch.unique(input, sorted=False, return_inverse=False) 以1D向量保存张量中不同的元素。

Comparison Ops 比较操作

torch.isfinite(tensor)/torch.isinf(tensor)/torch.isnan(tensor)：返回一个标记元素是否为 finite/inf/nan 的mask 张量。

torch.kthvalue(input, k, dim=None, keepdim=False, out=None) -> (Tensor, LongTensor)：返回最小的第k个元素，如果为指定维度，则默认为最后一个维度。

torch.sort(input, dim=None, descending=False, out=None)：沿着某一维度对张量进行升序排列。

torch.topk(input, k, dim=None, largest=True, sorted=True, out=None)：返回最大的k个元素。

Other Operations 其他操作

torch.bincount(self, weights=None, minlength=0)：返回每个值得频数。

torch.cross(input, other, dim=-1, out=None)：按照维度计算叉积。

torch.diag(input, diagonal=0, out=None)：如果输入时1D，则返回一个相应的对角矩阵；如果输入时2D，则返回相应对角线的元素。

torch.flip(input, dims)：按照给定维度翻转张量

torch.histc(input, bins=100, min=0, max=0, out=None)：计算张量的直方图。

torch.meshgrid(seq)：生成网格（可以生成坐标）。

查看张量单个元素的字节数

torch.Tensor.element_size() → int

查看某类型张量单个元素的字节数。

例如：

torch.FloatTensor().element_size()