邯郸网站建设推广深圳百度代理
由于我只简单的学过python和pytorch，其中有很多函数的操作都还是一知半解的，其中有些函数经常见到，所以就打算记录下来。
1.zip
zip(*a):针对单个可迭代对象压缩成n个元组，元组数量n等于min(a中元素的最小长度)
a = [(1, 2), (3, 4), (5, 6)]
c, d = zip(*a)
print(c, d)
# (1, 3, 5) (2, 4, 6)
2.view, arange和range
import torch
# torch.arange(1, 3) =[1,3) 前闭后开
# torch.range(1, 3) =[1,3] 前闭后闭
e = torch.arange(1, 3)
e1 = torch.range(1, 3)
e, e1 # (tensor([1, 2]), tensor([1., 2., 3.]))
view的作用就是用来组织Tensor的形状，
import torch
e = torch.arange(1, 19).view(2, 3, 3)
e1 = torch.range(1, 18).view(2, 3, 3)
e,e1,e==e1
输出结果如下
3.torch.transpose 用来交换维度(重新组织维度)
torch.Size([1, 3, 2])–>transpose(0,1)后 torch.Size变为([3,1,2])
有两种写法 ① b.transpose(0, 1) ② torch.transpose(b, 0, 1)，我觉得都可以使用
import torch
#https://pytorch.org/docs/stable/generated/torch.transpose.html#torch.transpose
b = torch.Tensor([[[0, 1], [2, 3], [4, 5]]])
print(b.shape)
print('----------')
b=b.transpose(0, 1)
print(b.shape)
print('----------')
c = torch.transpose(b, 0, 1)
print(c.shape)
# print(b)
# print(c)
4.torch.cat
torch.cat()是为了把多个tensor进行拼接而存在的（这里仅仅用了相同的元素）
# 3.torch.cat
# dim（整数，可选）– 张量被控制的维度
# m 默认为0 代表在竖向的方向上添加
# [c,
# c,
# c]
# m为1代表在横向的方向上添加[c,c,c]
c = torch.Tensor([[0, 1], [2, 3], [4, 5]])
# print(c)
print(c.shape)
print('--------------')
c1 = torch.cat((c, c, c), dim=0)
# print(c1)
print(c1.shape)
print('--------------')
c2 = torch.cat((c, c), dim=1) # [c,c]
# print(c2)
print(c2.shape)
# print(c2.shape[1])
5.数组操作
这部分的操作比较复杂，有的三维数组的操作，就像这样的[:::]，大家可以自己复制尝试一下，查看输出
# 4.数组操作
# enc_hidden[-2,:,:], enc_hidden[-1,:,:]
d = torch.Tensor([[[1, 2, 3], [4, 5, 6], [7, 8, 9]],[[10, 11, 12], [13, 14, 15], [16, 17, 18]]])
print(d.size()) # torch.Size([2, 3, 3])
print(d)
# tensor([[[ 1., 2., 3.],
# [ 4., 5., 6.],
# [ 7., 8., 9.]],
#
# [[10., 11., 12.],
# [13., 14., 15.],
# [16., 17., 18.]]])
print('------1---------')
print(d[-1, :, :])print('------2--------')
print(d[:, -1, :])print('------3--------')
print(d[:, :, -1])print('------4--------')
print(d[:, :, -2])print('------5--------')
print(d[-1])
print(d[:, :, -1])
print(d[-1, :, :])
print(d[:, -1, :])
6.squeeze()和unsqueeze()
squeeze在的中文意思压缩，unsqueeze取消压缩，unsqueeze是添加维度的意思
特别的，当unsqueeze()里面参数是0 的时候，该矩阵由(3,4)变成是（3,4,1）
e = torch.arange(1, 19).view(2, 3, 3)
print(e)
print(e.shape)
print('-----unsqueeze:就是在某个位置增加一个维度-------')
ee = e.unsqueeze(3)
print(ee)
print(ee.shape)
# 5.squeeze()和unsqueeze()
# squeeze在的中文意思压缩，就是降低维度,squeeze()函数只能压缩维度为1的矩阵
# 当unsqueeze()里面参数是0 的时候，该矩阵由(3,4)变成是（3,4,1）
# 对形如(2, 3, 3)的矩阵squeeze不起作用，但不会报错
e = torch.arange(1, 19).view(2, 3, 3)
print(e)
print(e.shape)
print('-----squeeze:就是在某个位置降低一个维度-------')
eee = e.squeeze(0)
print(eee)
print(eee.shape)
7.torch.bmm 计算两个tensor的矩阵乘法
torch.bmm(input, mat2, *, out=None)
input and mat2 must be 3-D tensors each containing the same number of matrices.
If input is a (b×n×m) tensor, mat2 is a (b×m×p) tensor, out will be a (b×n×p) tensor.
两个tensor的第一维是相等的，然后第一个数组的第三维和第二个数组的第二维度要求一样，对于剩下的则不做要求，输出维度
import torchg1 = torch.arange(1, 7).view(1, 2, 3)
print(g1.shape)
print(g1)
g2 = torch.arange(1, 10).view(1, 3, 3)
print(g2)
print('-------')torch.bmm(g1, g2)
8.torch.exp(x) 计算e(2.7)的x次方
分别计算e^0(e的0次方), e的1次方，e的log(2)次方
import matha = torch.tensor([0, 1, math.log(2)])
print(torch.exp(a))
9.torch.max
求最大值
a = torch.randn(4, 4)
print(a)
print(torch.max(a, dim=1))
print('----------')
print(torch.max(a, dim=1, keepdim=True))
