pytorch-day09

张量的结构操作

张量创建

• 与numpy中创建array的方法相似

  a = torch.tensor([1,2,3],dtype=torch.float)
  
  b = torch.arange(1,10,step = 2)
  
  c = torch.linspace(0.0,2**3,10)
  
  d = torch.zeros((3,3))
  
  e = torch.ones((3,3),dtype=torch.int)
  
  f = torch.zeros_like(a,dtype = torch.float)

  # 创建服从某种分布的张量
  ## 均匀分布
  min, max = 0,10
  a = min + (max - min)*torch.rand([5])
  
  ## 正态分布
  b = torch.normal(mean = torch.zeros(3,3),std = torch.ones(3,3))
  
  c = std*torch.randn((3,3)) + mean
  
  ## 整数随机排列
  d = torch.randperm(20)
  
  ## 特殊矩阵
  I = torch.eye(3,3)   # 单位矩阵
  
  t = torch.diag(torch.tensor([1,2,3]))   # 对角矩阵

索引切片

• 方式也与numpy几乎一致，切片支持缺省参数和省略号
• 对于不规则切片提取，可以使用torch.index_select, torch.masked_select,torch.take
• 如果通过修改张量某些元素得到新的张量，可以使用 torch.where, torch.masked_fill, torch.index_fill
• 省略号可以表示多个冒号，a[...,1]

维度变换

• 相关的函数有 torch.reshape, torch.squeeze, torch.unsqueeze,torch.transpose

合并分割

• 可以用torch.cat 和 torch.stack 方法讲多个张量合并，可以用torch.split方法讲一个张量分割
• torch.cat 和 torch.stack 有略微区别：torch.cat 是连接，不会增加维度；而 torch.stack 是堆叠，会增加维度
• torch.split是 torch.cat的逆运算，可以指定分割份数平均分割，也可以指定记录数量进行分割

  print(abc_cat)
  a,b,c = torch.split(abc_cat,split_size_or_sections = 2,dim = 0) #每份2个进行分割
  
  p,q,r = torch.split(abc_cat,split_size_or_sections =[4,1,1],dim = 0) #每份分别为[4,1,1]

张量的数学运算

标量运算

• 标量运算符对张量实施逐元素运算，有些运算符对常用的运算符进行了重载，并且支持类似numpy 广播的特性
• 还有一些特殊的运算符

  x = torch.tensor([2.6,-2.7])
  print(torch.round(x)) #保留整数部分，四舍五入
  print(torch.floor(x)) #保留整数部分，向下归整
  print(torch.ceil(x))  #保留整数部分，向上归整
  print(torch.trunc(x)) #保留整数部分，向0归整
  x = torch.tensor([2.6,-2.7])
  print(torch.fmod(x,2)) #作除法取余数 
  print(torch.remainder(x,2)) #作除法取剩余的部分，结果恒正
  
  # 幅值裁剪
  x = torch.tensor([0.9,-0.8,100.0,-20.0,0.7])
  y = torch.clamp(x,min=-1,max = 1)
  z = torch.clamp(x,max = 1)
  print(y)
  print(z)

向量运算

• 向量运算符在特定轴上运算，将一个向量映射到一个标量或另一个向量

  a = torch.arange(1,10).float().view(3,3)
  
  print(torch.sum(a))
  print(torch.mean(a))
  print(torch.max(a))
  print(torch.min(a))
  print(torch.prod(a)) #累乘
  print(torch.std(a))  #标准差
  print(torch.var(a))  #方差
  print(torch.median(a)) #中位数

  #cum扫描
  a = torch.arange(1,10)
  
  print(torch.cumsum(a,0))
  print(torch.cumprod(a,0))
  print(torch.cummax(a,0).values)
  print(torch.cummax(a,0).indices)
  print(torch.cummin(a,0))