Pytorch基础入门2
目录
- 3：Tensor运算
- 3.1 A.add() && A.add_()
- 3.2 torch.stack
3：Tensor运算
| 函数 | 作用 |
|---|---|
| torch.abs(A) | 绝对值 |
| torch.add(A，B) | 相加，A和B既可以是Tensor也可以是标量 |
| torch.clamp(A，max，min) | 裁剪，A中的数据若小于min或大于max，则变成min或max，即保证范围在[min，max] |
| torch.div(A，B) | 相除，A%B，A和B既可以是Tensor也可以是标量 |
| torch.mul(A，B) | 点乘，A*B，A和B既可以是Tensor也可以是标量 |
| torch.pow(A,n) | 求幂，A的n次方 |
| torch.mm(A,B.T) | 矩阵叉乘，注意与torch.mul之间的区别 |
| torch.mv(A,B) | 矩阵与向量相乘，A是矩阵，B是向量，这里的B需不需要转置都是可以的 |
| A.item() | 将Tensor转化为基本数据类型，注意Tensor中只有一个元素的时候才可以使用，一般用于在Tensor中取出数值 |
| A.numpy() | 将Tensor转化为Numpy类型 |
| A.size() | 查看尺寸 |
| A.shape | 查看尺寸 |
| A.dtype | 查看数据类型 |
| A.view() | 重构张量尺寸，类似于Numpy中的reshape |
| A.transpose(0，1) | 行列交换 |
| A[1:],A[-1，-1]=100 | 切面，类似Numpy中的切面 |
| A.zero_() | 归零化 |
| torch.stack((A，B)，sim=-1) | 拼接，升维 |
| torch.diag(A) | 取A对角线元素形成一个一维向量 |
| torch.diag_embed(A) | 将一维向量放到对角线中，其余数值为0的Tensor |
3.1 A.add() && A.add_()
所有的带_符号的函数都会对原数据进行修改
import torcha = torch.zeros(3)
print (a)
a.add(1)
print (a)
a.add_(1)
print(a)
输出结果为：
tensor([0., 0., 0.])
tensor([0., 0., 0.])
tensor([1., 1., 1.])
3.2 torch.stack
stack为拼接函数，函数的第一个参数为需要拼接的Tensor，第二个参数为细分到哪个维度
import torchA=torch.IntTensor([[1,2,3],[4,5,6]])
B=torch.IntTensor([[7,8,9],[10,11,12]])
C1=torch.stack((A,B),dim=0) # or C1=torch.stack((A,B))
C2=torch.stack((A,B),dim=1)
C3=torch.stack((A,B),dim=2)
C4=torch.stack((A,B),dim=-1)
print(C1)
print(C2)
print(C3)
print(C4)
结果如下：
tensor([[[ 1, 2, 3],[ 4, 5, 6]],[[ 7, 8, 9],[10, 11, 12]]], dtype=torch.int32)
tensor([[[ 1, 2, 3],[ 7, 8, 9]],[[ 4, 5, 6],[10, 11, 12]]], dtype=torch.int32)
tensor([[[ 1, 7],[ 2, 8],[ 3, 9]],[[ 4, 10],[ 5, 11],[ 6, 12]]], dtype=torch.int32)
tensor([[[ 1, 7],[ 2, 8],[ 3, 9]],[[ 4, 10],[ 5, 11],[ 6, 12]]], dtype=torch.int32)