pytorch tensor外积 pytorch tensor 取值

上一篇博客讲述了如何根据自己的实际需要在pytorch中创建tensor，这一篇主要来探讨关于tensor的基本数据变换，是pytorch处理数据的基本方法。

文章目录

• 1 tensor数据查看与提取
• 2 tensor数据变换

• 2.1 重置tensor形状:pytorch.view()
• 2.2 增加/减少tensor维度:torch.unsqueeze()/torch.squeeze()
• 2.3 tensor扩充:torch.expand()/torch.repeat()
• 2.4 tensor维度交换/重新排序:torch.transpose()/torch.permute()

• 3 总结

1 tensor数据查看与提取

tensor数据的查看与提取主要是通过索引和切片实现的。主要方法有：

• 直接索引：tensor[index]
• 选定数据范围切片：tensor[s:d]
• 步长切片：tensor[s:d:step]
• 数据筛选：torch.masked_select(tensor,mask)，其中mask是和tensor等shape的Bool类型矩阵，函数将以一维矩阵的形式返回mask中值为1对应位置tensor矩阵的值

################################################
#1、直接索引
a = torch.rand(4,1,16,16)
b = a[0]
print(b.size())
"""
输出结果：
torch.Size([1, 16, 16])
"""
################################################
#2、选定索引的维度范围
c = a[1:3,:,:,:]
print(c.size())
"""
输出结果：
torch.Size([2, 1, 16, 16])
"""
################################################
#3、按步长索引
c = a[0:3:2,:,:,:]
print(c.size())
"""
输出结果：
torch.Size([2, 1, 16, 16])
"""
################################################
#4、按mask筛选索引
d = torch.rand(2,3)
mask = torch.BoolTensor([[0,1,0],
                        [1,0,1]])
res = torch.masked_select(d,mask)
print(d)
print(res)
"""
输出结果：
tensor([[0.2507, 0.8419, 0.6681],
        [0.0940, 0.8476, 0.5883]])
tensor([0.8419, 0.0940, 0.5883])
"""

2 tensor数据变换

本部分主要介绍的是将已有的tensor数据改变shape的方法，这是pytorch变换数据的基本操作。

2.1 重置tensor形状:pytorch.view()

torch.view()主要实现重新定义tensor的shape，对tensor中的元素进行重排列，在view过程中tensor的总元素个数保持不变。该方法的缺点是会丢失维度信息。

#############################################
a = torch.rand(4,4,16,16)
b = a.view(4,32,32)
print(a.shape)
print(b.shape)
"""
输出结果：
torch.Size([4, 4, 16, 16])
torch.Size([4, 32, 32])
#注：在view前后必须保证tensor的总元素个数不变
#   在本例中：4*4*16*16 = 4*32*32
"""

2.2 增加/减少tensor维度:torch.unsqueeze()/torch.squeeze()

• torch.unsqueeze(index)：在原tensor的index索引位置对应的维度前增加一个维度,
• torch.squeeze(index)：去掉index索引位置对应的维度，注意：这里index对应的维度必须是1维的，也就是压缩（删除）此维度并不会改变数据的元素个数，当不指定index时，函数会将tensor中所有数值为1的维度压缩。例如：现有tensor(1,4,1,16,16)，tensor.squeeze(0)的值为:(4,1,16,16)，函数压缩了0这个维度；当不指定index时，tensor.squeeze()的返回值为:(4,16,16)，这时函数将tensor上数值为1的维度全部压缩

#############################################
a = torch.rand(4,4,16,16)
b = a.unsqueeze(0)
c = torch.rand(1,4,1,16,16).squeeze()
print(a.shape)
print(b.shape)
print(c.shape)
"""
输出结果：
torch.Size([4, 4, 16, 16])
torch.Size([1, 4, 4, 16, 16])
torch.Size([4, 16, 16])
"""

2.3 tensor扩充:torch.expand()/torch.repeat()

• torch.expand()：接收参数是将对应元素扩充的指定维度，函数只把原来维度为1的拓展成指定的维度，其它原来维度不是1的接收参数要与其原来维度数保持一致，否则会报错
• torch.repeat()：接收参数是将对应元素复制的次数，函数会将所有维度复制对应的次数，形成新的tensor
  示例及讲解：

#############################################
a = torch.rand(4,1,16,16)
#a中只有a[1]是1维度，这里要将它扩充至4，因此expand中第二个参数为4，其它维度不是1，所以要与a保持一致（否则会报错）
b = a.expand(4,4,16,16)
#repeat中的参数都是，代表这要将a中对应维度的元素都复制两次
c = a.repeat(2,2,2,2)
print(a.shape)
print(b.shape)
print(c.shape)
"""
输出结果：
#这是原来a变量的shape
torch.Size([4, 1, 16, 16])
#这是经过expand后的a变量（b）的shape
#可以看出，expand成功将原理index=1位置处的1维度扩充成了对应的4维度
torch.Size([4, 4, 16, 16])
#这是经过repeat后的a变量的shape
#可以看出，repeat将每个维度都复制了2次，即：(4*2，1*2，16*2，16*2)
torch.Size([8, 2, 32, 32])
"""

2.4 tensor维度交换/重新排序:torch.transpose()/torch.permute()

• torch.tanspose()：接收参数为指定对换的两个维度索引a,b，函数将返回维度互换后的新tensor
• torch.permute()：接收参数为新排序的维度索引（原来的索引值），函数将返回维度重新排列的新tensor

#############################################
a = torch.rand(4,1,12,16)
b = a.transpose(0,2)        #第0个维度和第2个维度互换，即：4和12互换
c = a.permute(3,2,0,1)  #将原有的3, 2, 0,1维度作为新tensor的0,1,2,3维度
print(a.shape)
print(b.shape)
print(c.shape)
"""
输出结果：
torch.Size([4, 1, 12, 16])  #a.shape
torch.Size([12, 1, 4, 16])  #b.shape  (4,1,12,16)-互换4，12->(12,1,4,16) 
torch.Size([16, 12, 4, 1])  #c.shape  重新对a进行排列（a[3],a[2],a[0],a[1]）->(16,12,4,1)
"""

3 总结

tensor变换的核心理念是为了更好的服务于高维向量运算，这部分的变换技巧和相关的方法有很多。关于这部分的内容我的建议是：不需要花费大量的时间去刻意记忆，只要知道有这些方法，在编程需要的时候能想起来用这些方法可以解决即可。