PyTorch张量拼接、切分、索引的实现
更新时间：2024年03月21日 10:21:40 作者：timerring
在学习深度学习的过程中,遇到的第一个概念就是张量,张量在pytorch中的计算十分重要,本文主要介绍了PyTorch张量拼接、切分、索引的实现,具有一定的参考价值,感兴趣的可以了解一下
一、张量拼接与切分
1.1 torch.cat
功能：将张量按维度dim 进行拼接
tensors : 张量序列
dim： 要拼接的维度
t = torch.ones((2, 3))
t_0 = torch.cat([t, t], dim=0)
t_1 = torch.cat([t, t, t], dim=1)
print("t_0:{} shape:{}\nt_1:{} shape:{}".format(t_0, t_0.shape, t_1, t_1.shape))
t_0:tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]]) shape:torch.Size([4, 3])
t_1:tensor([[1., 1., 1., 1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1.]]) shape:torch.Size([2, 9])
（2，3） -> （2，6）
这里的dim维度与axis相同，0代表列，1代表行。
1.2 torch.stack
功能：在新创建的维度 dim 上进行拼接（会拓宽原有的张量维度）
- tensors：张量序列
- dim：要拼接的维度
t = torch.ones((2, 3))
t_stack = torch.stack([t, t, t], dim=2)
print("\nt_stack:{} shape:{}".format(t_stack, t_stack.shape))可见，它在新的维度上进行了拼接。
参数[t, t, t]的意思就是在第n个维度上拼接成这个样子。
t_stack:tensor([[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]],
[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]]]) shape:torch.Size([2, 3, 3])
# 在第二维度上进行了拼接
Process finished with exit code 01.3 torch.chunk
功能：将张量按维度 dim 进行平均切分
返回值：张量列表
注意事项：若不能整除，最后一份张量小于其他张量。
- input : 要切分的张量
- chunks 要切分的份数
- dim 要切分的维度
# cut into 3
a = torch.ones((2, 7)) # 7
list_of_tensors = torch.chunk(a, dim=1, chunks=3) # 3
for idx, t in enumerate(list_of_tensors):
print("第{}个张量：{}, shape is {}".format(idx+1, t, t.shape))
可知，切分是7/3向上取整，每份是3，最后剩下的维度直接输出即可。
第1个张量：tensor([[1., 1., 1.],
[1., 1., 1.]]), shape is torch.Size([2, 3])
第2个张量：tensor([[1., 1., 1.],
[1., 1., 1.]]), shape is torch.Size([2, 3])
第3个张量：tensor([[1.],
[1.]]), shape is torch.Size([2, 1])
1.4 torch.split
torch.split(Tensor, split_size_or_sections, dim)
功能：将张量按维度 dim 进行切分
返回值：张量列表
- tensor : 要切分的张量
- split_size_or_sections 为 int 时，表示
每一份的长度；为 list 时，按 list 元素切分 - dim 要切分的维度
t = torch.ones((2, 5))
list_of_tensors = torch.split(t, [2, 1, 1], dim=1) # [2 , 1, 2]
for idx, t in enumerate(list_of_tensors):
print("第{}个张量：{}, shape is {}".format(idx+1, t, t.shape))
是按照指定长度list进行切分的。注意list中长度总和必须为原张量在改维度的大小，不然会报错。
第1个张量：tensor([[1., 1., 1.],
[1., 1., 1.]]), shape is torch.Size([2, 3])
第2个张量：tensor([[1., 1., 1.],
[1., 1., 1.]]), shape is torch.Size([2, 3])
第3个张量：tensor([[1.],
[1.]]), shape is torch.Size([2, 1])
二、张量索引
2.1 torch.index_select
torch.index_select(input, dim, index, out=None)
功能：在维度dim 上，按 index 索引数据
返回值：依index 索引数据拼接的张量
- input : 要索引的张量
- dim 要索引的维度
- index 要索引数据的序号
t = torch.randint(0, 9, size=(3, 3))
idx = torch.tensor([0, 2], dtype=torch.long) # if float will report an error
t_select = torch.index_select(t, dim=0, index=idx)
print(idx)
print("t:\n{}\nt_select:\n{}".format(t, t_select))
可见idx是一个存储序号的张量，而torch.index_select通过该张量索引原tensor并且拼接返回。
tensor([0, 2])
t:
tensor([[4, 5, 0],
[5, 7, 1],
[2, 5, 8]])
t_select:
tensor([[4, 5, 0],
[2, 5, 8]])
2.2 torch.masked_select
功能：按mask 中的 True 进行索引
返回值：一维张量(无法确定true的个数，因此也就无法显示原来的形状，因此这里返回一维张量)
- input : 要索引的张量
- mask 与 input 同形状的布尔类型张量
t = torch.randint(0, 9, size=(3, 3))
mask = t.le(5) # ge is mean greater than or equal/ gt: greater than le lt
t_select = torch.masked_select(t, mask)
print("t:\n{}\nmask:\n{}\nt_select:\n{} ".format(t, mask, t_select))
通过掩码来索引。
tensor([[4, 5, 0],
[5, 7, 1],
[2, 5, 8]])
mask:
tensor([[ True, True, True],
[ True, False, True],
[ True, True, False]])
t_select:
tensor([4, 5, 0, 5, 1, 2, 5])
Process finished with exit code 0到此这篇关于PyTorch张量拼接、切分、索引的实现的文章就介绍到这了,更多相关PyTorch张量拼接切分索引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！
相关文章
今天小编就为大家分享一篇python 实现方阵的对角线遍历示例，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2019-11-11
这篇文章主要介绍了python中类的一些方法分析,实例讲述了Python中子类调用父类时继承的方法问题,需要的朋友可以参考下2014-09-09
目标检测是计算机视觉上的一个重要任务,下面这篇文章主要给大家介绍了关于Yolov5训练意外中断后如何接续训练的相关资料,文中通过实例代码介绍的非常详细,需要的朋友可以参考下2022-03-03
这篇文章主要介绍了Python发送邮件实例，Python发送邮件需要smtplib和email两个模块，感兴趣的小伙伴们可以参考一下2016-01-01
random() 方法返回随机生成的一个实数，它在[0,1)范围内。这篇文章主要介绍了Random 在 Python 中的使用方法,需要的朋友可以参考下2018-08-08
Python是一种面向对象的解释型计算机程序设计语言，现在很多人都在使用，尤其是其跨平台特性及自然语言属性，获得很多人的钟情，那么如何把Python程序打包为Windows系统中的exe可执行程序呢2018-10-10
本文将结合实例代码，介绍Python 批量操作设备的实现步骤，文中通过示例代码介绍的非常详细，需要的朋友们下面随着小编来一起学习学习吧2021-07-07
本文主要介绍了python字典dict中常用内置函数的使用，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2023-04-04
在学习HOG特征的时候，发现一片英文文章讲得浅显易懂。因此翻译在这里学习，感兴趣的朋友快来看看吧2022-03-03
这篇文章主要介绍了Python unittest单元测试框架及断言方法,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2020-04-04
最新评论