深度学习Pytorch构造Tensor张量
发布时间：2021-11-07 13:39:32 所属栏目：动态 来源：互联网
导读：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
|
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 （编辑：好传媒网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
站长推荐
热点阅读