Pytorch中的5個非常有用的張量操作分別是什么

PyTorch是一個基于Python的科學(xué)包，用于使用一種稱為張量的特殊數(shù)據(jù)類型執(zhí)行高級操作。張量是具有規(guī)則形狀和相同數(shù)據(jù)類型的數(shù)字、向量、矩陣或多維數(shù)組。PyTorch是NumPy包的另一種選擇，它可以在GPU下使用。它也被用作進(jìn)行深度學(xué)習(xí)研究的框架。

這5個操作是：

• expand()
• permute()
• tolist()
• narrow()
• where()

1. expand()

將現(xiàn)有張量沿著值為1的維度擴(kuò)展到新的維度。張量可以同時沿著任意一維或多維展開。如果你不想沿著一個特定的維度展開張量，你可以設(shè)置它的參數(shù)值為-1。

注意：只能擴(kuò)展單個維度

# Example 1 - working 
a=torch.tensor([[[1,2,3],[4,5,6]]])
a.size()
>>torch.Size([1, 2, 3])

a.expand(2,2,3)
>>tensor([[[1, 2, 3],
         [4, 5, 6]],

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

在這個例子中，張量的原始維數(shù)是[1,2,3]。它被擴(kuò)展到[2,2,3]。

2. permute()

這個函數(shù)返回一個張量的視圖，原始張量的維數(shù)根據(jù)我們的選擇而改變。例如，如果原來的維數(shù)是[1,2,3]，我們可以將它改為[3,2,1]。該函數(shù)以所需的維數(shù)順序作為參數(shù)。

# Example 1 - working
a=torch.tensor([[[1,2,3],[4,5,6]]])
a.size()
>>torch.Size([1, 2, 3])

a.permute(2,1,0).size()
>>torch.Size([3, 2, 1])

a.permute(2,1,0)
>>tensor([[[1],
         [4]],

        [[2],
         [5]],

        [[3],
         [6]]])

在這個例子中，原始張量的維度是[1,2,3]。使用permuting，我將順序設(shè)置為(2,1,0)，這意味著新的維度應(yīng)該是[3,2,1]。如圖所示，張量的新視圖重新排列了數(shù)字，使得張量的維度為[3,2,1]。

當(dāng)我們想要對不同維數(shù)的張量進(jìn)行重新排序，或者用不同階數(shù)的矩陣進(jìn)行矩陣乘法時，可以使用這個函數(shù)。

3. tolist()

這個函數(shù)以Python數(shù)字、列表或嵌套列表的形式返回張量。在此之后，我們可以對它執(zhí)行任何python邏輯和操作。

# Example 1 - working
a=torch.tensor([[1,2,3],[4,5,6]])
a.tolist()
>> [[1, 2, 3], [4, 5, 6]]

在這個例子中，張量以嵌套列表的形式返回。

4. narrow()

這個函數(shù)返回一個新的張量，這個張量是原來張量的縮小版。這個函數(shù)的參數(shù)是輸入張量、要縮小的維數(shù)、起始索引和新張量沿該維數(shù)的長度。它返回從索引start到索引(start+length-1)中的元素。

# Example 1 - working
a=torch.tensor([[1,2,3,4],[5,6,7,8],[9,10,11,12],[14,15,16,17]])
torch.narrow(a,1,2,2)
>> tensor([[ 3,  4],
        [ 7,  8],
        [11, 12],
        [16, 17]])

在這個例子中，張量要沿著第2維，也就是最里面的維度縮小。它接受列表中的元素，從索引2開始，到索引3(=2+2 -1，即start+length-1)。

Narrow()的工作原理類似于高級索引。例如，在一個2D張量中，使用[:，0:5]選擇列0到5中的所有行。同樣的，可以使用torch.narrow(1,0,5)。然而，在高維張量中，對于每個維度都使用range操作是很麻煩的。使用narrow()可以更快更方便地實(shí)現(xiàn)這一點(diǎn)。

5. where()

這個函數(shù)返回一個新的張量，其值在每個索引處都根據(jù)給定條件改變。這個函數(shù)的參數(shù)有：條件，第一個張量和第二個張量。在每個張量的值上檢查條件(在條件中使用)，如果為真，就用第一個張量中相同位置的值代替，如果為假，就用第二個張量中相同位置的值代替。

# Example 1 - working
a=torch.tensor([[[1,2,3],[4,5,6]]]).to(torch.float32)
b=torch.zeros(1,2,3)
torch.where(a%2==0,b,a)
>>tensor([[[1., 0., 3.],
         [0., 5., 0.]]])

這里，它檢查張量a的值是否是偶數(shù)。如果是，則用張量b中的值替換，b中的值都是0，否則還是和原來一樣。

此函數(shù)可用于設(shè)定閾值。如果張量中的值大于或小于某一數(shù)值，它們可以很容易地被替換。