PyTorch定义Tensor及索引和切片(最新推荐)

更新时间：2023年04月20日 15:07:04 作者：林每天都要努力

这篇文章主要介绍了PyTorch定义Tensor以及索引和切片,本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下

深度学习--PyTorch定义Tensor

一、创建Tensor

1.1未初始化的方法

这些方法只是开辟了空间，所附的初始值（非常大，非常小，0），后面还需要我们进行数据的存入。

torch.empty()：返回一个没有初始化的Tensor，默认是FloatTensor类型。

#torch.empty(d1,d2,d3)函数输入的是shape 
torch.empty(2,3,5)
 
#tensor([[[-1.9036e-22,  6.8944e-43,  0.0000e+00,  0.0000e+00, -1.0922e-20],
#         [ 6.8944e-43, -2.8812e-24,  6.8944e-43, -5.9272e-21,  6.8944e-43],
#         [ 0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00]],
#
#        [[ 0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00],
#         [ 0.0000e+00,  0.0000e+00,  1.4013e-45,  0.0000e+00,  0.0000e+00],
#         [ 0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00,  0.0000e+00]]])

torch.FloatTensor()：返回没有初始化的FloatTensor。

#torch.FloatTensor(d1,d2,d3)
torch.FloatTensor(2,2)
 
#tensor([[-0.0000e+00,  4.5907e-41],
#        [-7.3327e-21,  6.8944e-43]])

torch.IntTensor()：返回没有初始化的IntTensor。

#torch.IntTensor(d1,d2,d3)
torch.IntTensor(2,2)
 
#tensor([[          0,  1002524760],
#        [-1687359808,         492]], dtype=torch.int32)

1.2 随机初始化

随机均匀分布：rand/rand_like,randint

rand:[0,1)均匀分布；randint(min,max,[d1,d2,d3]) 返回[min,max)的整数均匀分布

#torch.rand(d1,d2,d3)
torch.rand(2,2)
 
#tensor([[0.8670, 0.6158],
#        [0.0895, 0.2391]])
 
#rand_like()
a=torch.rand(3,2)
torch.rand_like(a)
 
#tensor([[0.2846, 0.3605],
#        [0.3359, 0.2789],
#        [0.5637, 0.6276]])
 
#randint(min,max,[d1,d2,d3])
torch.randint(1,10,[3,3,3])
 
#tensor([[[3, 3, 8],
#         [2, 7, 7],
#         [6, 5, 9]],
#
#        [[7, 9, 9],
#         [6, 3, 9],
#         [1, 5, 6]],
#
#        [[5, 4, 8],
#         [7, 1, 2],
#         [3, 4, 4]]])

随机正态分布 randn

randn返回一组符合N(0,1)正态分布的随机数据

#randn(d1,d2,d3)
torch.randn(2,2)
 
#tensor([[ 0.3729,  0.0548],
#        [-1.9443,  1.2485]])
 
#normal(mean,std) 需要给出均值和方差
torch.normal(mean=torch.full([10],0.),std=torch.arange(1,0,-0.1))
 
#tensor([-0.8547,  0.1985,  0.1879,  0.7315, -0.3785, -0.3445,  0.7092,  0.0525, 0.2669,  0.0744])
#后面需要用reshape修正成自己想要的形状

1.3 赋值初始化

full：返回一个定值

#full([d1,d2,d3],num)
torch.full([2,2],6)
 
#tensor([[6, 6],
#        [6, 6]])
 
torch.full([],6)
#tensor(6)   标量
 
torch.full([1],6)
#tensor([6]) 向量

arange：返回一组阶梯,等差数列

#torch.arange(min,max,step):返回一个[min,max),步长为step的集体数组，默认为1
torch.arange(0,10)
 
#tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
 
torch.arange(0,10,2)
#tensor([0, 2, 4, 6, 8])

linspace/logspace:返回一组阶梯

#torch.linspace(min,max,steps):返回一个[min,max],数量为steps的数组
torch.linspace(1,10,11)
 
#tensor([ 1.0000,  1.9000,  2.8000,  3.7000,  4.6000,  5.5000,  6.4000,  7.3000,
#         8.2000,  9.1000, 10.0000])
 
#torch.logspace(a,b,steps):返回一个[10^a,10^b]，数量为steps的数组
torch.logspace(0,1,10)
 
#tensor([ 1.0000,  1.2915,  1.6681,  2.1544,  2.7826,  3.5938,  4.6416,  5.9948,
#         7.7426, 10.0000])

ones/zeros/eye:返回全1全0或者对角阵 ones_like/zeros_like

#torch.ones(d1,d2)
torch.ones(2,2)
 
#tensor([[1., 1.],
#        [1., 1.]])
 
#torch.zeros(d1,d2)
torch.zeros(2,2)
 
#tensor([[0., 0.],
#        [0., 0.]])
 
#torch.eye() 只能接收一个或两个参数
torch.eye(3)
 
#tensor([[1., 0., 0.],
#        [0., 1., 0.],
#        [0., 0., 1.]])
 
torch.eye(2,3)
 
#tensor([[1., 0., 0.],
#        [0., 1., 0.]])

1.4 随机打散变量

randperm：一般用于位置操作。类似random.shuffle()。

torch.randperm(8)
#tensor([2, 6, 7, 5, 3, 4, 1, 0])

二、索引与切片

简单索引方式

a=torch.rand(4,3,28,28)
a[0].shape
#torch.Size([3, 28, 28])
a[0,0,0,0]
#tensor(0.9373)

批量索引方式开始位置：结束位置左边取的到，右边取不到算是一种切片 [0,1,2]->[-3,-2,-1]

a[:2].shape
#torch.Size([2, 3, 28, 28])
a[1:].shape
#torch.Size([3, 3, 28, 28])

隔行采样方式开始位置:结束位置:间隔

a[:,:,0:28:2,:].shape
#torch.Size([4, 3, 14, 28])

任意取样方式 a.index_select(d,[d层的数据索引])

a.index_select(0,torch.tensor([0,2])).shape
#torch.Size([2, 3, 28, 28])
 
a.index_select(1,torch.tensor([0,2])).shape
#torch.Size([4, 2, 28, 28])

...任意维度取样

a[...].shape
#torch.Size([4, 3, 28, 28])
 
a[0,...].shape
#torch.Size([3, 28, 28])
 
a[:,2,...].shape
#torch.Size([4, 28, 28])

掩码索引mask x.ge(0.5) 表示大于等于0.5的为1，小于0.5的为0

#torch.masked_select 取出掩码对应位置的值
x=torch.randn(3,4)
mask=x.ge(0.5)
torch.masked_select(x,mask)
 
#tensor([1.6950, 1.2207, 0.6035])

具体索引 take(变量，位置) 会把变量变为一维的

x=torch.randn(3,4)
torch.take(x,torch.tensor([0,1,5]))
 
#tensor([-2.2092, -0.2652,  0.4848])

到此这篇关于PyTorch定义Tensor以及索引和切片的文章就介绍到这了,更多相关PyTorch Tensor索引和切片内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

您可能感兴趣的文章:

Django 外键的使用方法详解
这篇文章主要介绍了Django 外键的使用方法详解,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
2019-07-07
详谈套接字中SO_REUSEPORT和SO_REUSEADDR的区别
下面小编就为大家分享一篇详谈套接字中SO_REUSEPORT和SO_REUSEADDR的区别，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2018-04-04
Pytorch中TensorDataset,DataLoader的联合使用方式
这篇文章主要介绍了Pytorch中TensorDataset,DataLoader的联合使用方式，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教
2023-02-02
python 获取域名到期时间的方法步骤
这篇文章主要介绍了python 获取域名到期时间的方法步骤，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
2021-02-02
Python格式化输出的具体实现
本文主要介绍了Python格式化输出的具体实现，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
2022-06-06
python实现Flappy Bird源码
这篇文章主要为大家详细介绍了python实现Flappy Bird源码，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
2018-12-12
Python从文件中读取数据的方法讲解
今天小编就为大家分享一篇关于Python从文件中读取数据的方法讲解，小编觉得内容挺不错的，现在分享给大家，具有很好的参考价值，需要的朋友一起跟随小编来看看吧
2019-02-02
python dict.get()和dict[''key'']的区别详解
下面小编就为大家带来一篇python dict.get()和dict['key']的区别详解。小编觉得挺不错的，现在就分享给大家，也给大家做个参考。一起跟随小编过来看看吧
2016-06-06
使用keras时input_shape的维度表示问题说明
这篇文章主要介绍了使用keras时input_shape的维度表示问题说明，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2020-06-06
Python的Flask框架中集成CKeditor富文本编辑器的教程
在用Flask搭建网站时的后台文章编辑器可以使用CKeditor,CKeditor所支持的文本样式较多且开源,这里我们就来看一下Python的Flask框架中集成CKeditor富文本编辑器的教程
2016-06-06