深度学习Pytorch框架Tensor张量

 1 Tensor的裁剪运算

•  对Tensor中的元素进行范围过滤
•  常用于梯度裁剪（gradient clipping），即在发生梯度离散或者梯度爆炸时对梯度的处理
•  torch.clamp(input, min, max, out=None) → Tensor：将输入input张量每个元素的夹紧到区间 [min,max]，并返回结果到一个新张量。

2 Tensor的索引与数据筛选

•  torch.where(codition,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，输入参数condition：条件限制，如果满足条件，则选择a，否则选择b作为输出。
•  torch.gather(input,dim,index,out=None):在指定维度上按照索引赋值输出tensor
•  torch.inex_select(input,dim,index,out=None):按照指定索引赋值输出tensor
•  torch.masked_select(input,mask,out=None):按照mask输出tensor，输出为向量
•  torch.take(input,indices):将输入看成1D-tensor，按照索引得到输出tensor
•  torch.nonzero(input,out=None):输出非0元素的坐标 

import torch  
#torch.where  
a = torch.rand(4, 4)  
b = torch.rand(4, 4)  
print(a)  
print(b)  
out = torch.where(a > 0.5, a, b)  
print(out) 

 

print("torch.index_select")  
a = torch.rand(4, 4)  
print(a)  
out = torch.index_select(a, dim=0,  
                   index=torch.tensor([0, 3, 2]))  
#dim=0按列，index取的是行  
print(out, out.shape) 

 

print("torch.gather")  
a = torch.linspace(1, 16, 16).view(4, 4)  
print(a)  
out = torch.gather(a, dim=0,  
             index=torch.tensor([[0, 1, 1, 1],  
                                 [0, 1, 2, 2],  
                                 [0, 1, 3, 3]]))  
print(out)  
print(out.shape)  
#注：从0开始，第0列的第0个，第一列的第1个，第二列的第1个，第三列的第1个，，，以此类推  
#dim=0, out[i, j, k] = input[index[i, j, k], j, k]  
#dim=1, out[i, j, k] = input[i, index[i, j, k], k] 
#dim=2, out[i, j, k] = input[i, j, index[i, j, k]] 

 

print("torch.masked_index")  
a = torch.linspace(1, 16, 16).view(4, 4)  
mask = torch.gt(a, 8)  
print(a)  
print(mask)  
out = torch.masked_select(a, mask)  
print(out) 

 

print("torch.take")  
a = torch.linspace(1, 16, 16).view(4, 4)  
b = torch.take(a, index=torch.tensor([0, 15, 13, 10]))  
print(b) 

 

#torch.nonzero  
print("torch.take")  
a = torch.tensor([[0, 1, 2, 0], [2, 3, 0, 1]])  
out = torch.nonzero(a)  
print(out)  
#稀疏表示 

3 Tensor的组合/拼接

•  torch.cat(seq,dim=0,out=None):按照已经存在的维度进行拼接
•  torch.stack(seq,dim=0,out=None):沿着一个新维度对输入张量序列进行连接。序列中所有的张量都应该为相同形状。 

print("torch.stack")  
a = torch.linspace(1, 6, 6).view(2, 3)  
b = torch.linspace(7, 12, 6).view(2, 3)  
print(a, b)  
out = torch.stack((a, b), dim=2)  
print(out)  
print(out.shape)  
print(out[:, :, 0])  
print(out[:, :, 1]) 

4 Tensor的切片

•  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

5 Tensor的变形操作

•  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
•  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,dim=-1在最后添加
•  torch().flip(input,dims):按照给定维度翻转张量
•  torch().rot90(input,k,dims):按照指定维度和旋转次数进行张量旋转 

import torch  
a = torch.rand(2, 3)  
print(a)  
out = torch.reshape(a, (3, 2))  
print(out) 

 

print(a)  
print(torch.flip(a, dims=[2, 1]))  
print(a)  
print(a.shape)  
out = torch.rot90(a, -1, dims=[0, 2]) #顺时针旋转90°    
print(out)  
print(out.shape) 

6 Tensor的填充操作

•  torch.full((2,3),3.14)

7 Tensor的频谱操作（傅里叶变换）