PyTorch中的张量操作

在这篇文章中，我们将讨论PyTorch中的张量操作。

PyTorch是一个科学软件包，用于在python中对给定的数据进行操作，如张量。
张量是一个像 numpy 数组的数据集合。我们可以使用张量函数创建一个张量。

语法:
torch.tensor([[[element1,element2,.,element n],……,[element1,element2,.,element n]]])

其中,

• 火炬是模块
• 张量是函数
• 元素是数据

PyTorch中适用于张量的操作是：

expand()

该操作用于将张量扩展为若干张量，张量中的若干行，以及张量中的若干列。

语法
:
tensor.expand(n,r,c)

其中，

• tensor是输入的张量
• n是返回张量的数量
• r是每个张量中的行数
• c是每个张量中的列数

例子：
在这个例子中，我们将把张量扩展为4个张量，每个张量有2行和3列

# import module
import torch

# create a tensor with 2 data
# in 3 three elements each
data = torch.tensor([[10, 20, 30], 
                     [45, 67, 89]])

# display
print(data)

# expand the tensor into 4 tensors , 2
# rows and 3 columns in each tensor
print(data.expand(4, 2, 3))

输出:

tensor([[10, 20, 30],
[45, 67, 89]])
tensor([[[10, 20, 30],
[45, 67, 89]],

[[10, 20, 30],
[45, 67, 89]],

[[10, 20, 30],
[45, 67, 89]],

[[10, 20, 30],
[45, 67, 89]]])

permute()

这是用行和列来重新排列张量的。

语法:
tensor.permute(a,b,c)

其中

• tensor是输入的张量
• permute(1,2,0)是用来对张量进行行排列的。
• permute(2,1,0)是用来对张量进行列置换的。

例子：
在这个例子中，我们将首先按行和列对张量进行置换。

# import module
import torch

# create a tensor with 2 data
# in 3 three elements each
data = torch.tensor([[[10, 20, 30], 
                      [45, 67, 89]]])

# display
print(data)

# permute the tensor first by row
print(data.permute(1, 2, 0))

# permute the tensor first by column
print(data.permute(2, 1, 0))

输出:

tensor([[[10, 20, 30],
[45, 67, 89]]])
tensor([[[10],
[20],
[30]],

[[45],
[67],
[89]]])
tensor([[[10],
[45]],

[[20],
[67]],

[[30],
[89]]])

tolist()

该方法用于从给定的张量中返回一个列表或嵌套列表。

语法:
tensor.tolist()

例子:在这个例子中，我们将把给定的张量转换为列表。

# import module
import torch

# create a tensor with 2 data in
# 3 three elements each
data = torch.tensor([[[10, 20, 30], 
                      [45, 67, 89]]])

# display
print(data)

# convert the tensor to list
print(data.tolist())

输出:

tensor([[[10, 20, 30],
[45, 67, 89]]])
[[[10, 20, 30], [45, 67, 89]]]

narrow()

这个函数用来缩小张量。换句话说，它将根据输入的维度来扩展张量。

语法:
torch.narrow(tensor,d,i,l)

其中:

• 张量是输入张量
• d是要缩小的维度
• i是矢量的起始索引
• l是新张量沿维度的长度 – d

例子：
在这个例子中，我们将从第1个索引开始缩小张量，每个维度的长度为2，我们将从第0个索引开始缩小张量，每个维度的长度为2。

# import module
import torch

# create a tensor with 2 data in
# 3 three elements each
data = torch.tensor([[10, 20, 30], 
                     [45, 67, 89], 
                     [23, 45, 67]])

# display
print(data)

# narrow the tensor
# with 1 dimension
# starting from 1 st index
# length of each dimension is 2
print(torch.narrow(data, 1, 1, 2))

# narrow the tensor
# with 1 dimension
# starting from 0 th  index
# length of each dimension is 2
print(torch.narrow(data, 1, 0, 2))

输出:

tensor([[10, 20, 30],
[45, 67, 89],
[23, 45, 67]])
tensor([[20, 30],
[67, 89],
[45, 67]])
tensor([[10, 20],
[45, 67],
[23, 45]])

where()

这个函数用于通过有条件地检查现有的张量来返回新的张量。

语法:
torch.where(condition,statement1,statement2)

其中，

• condition用于检查现有的张量条件，在现有的张量上施加条件
• 当条件为真时，statemt1被执行
• 当条件为假时，statemt2被执行

例子：
我们将使用不同的关系运算符来检查功能

# import module
import torch

# create a tensor with 3 data in
# 3 three elements each
data = torch.tensor([[[10, 20, 30], 
                      [45, 67, 89],
                      [23, 45, 67]]])

# display
print(data)

# set the number 100 when the
# number in greater than 45
# otherwise 50
print(torch.where(data > 45, 100, 50))

# set the number 100 when the
# number in less than 45
# otherwise 50
print(torch.where(data < 45, 100, 50))

# set the number 100 when the number in 
# equal to 23 otherwise 50
print(torch.where(data == 23, 100, 50))

输出:

tensor([[[10, 20, 30],
[45, 67, 89],
[23, 45, 67]]])
tensor([[[ 50, 50, 50],
[ 50, 100, 100],
[ 50, 50, 100]]])
tensor([[[100, 100, 100],
[ 50, 50, 50],
[100, 50, 50]]])
tensor([[[ 50, 50, 50],
[ 50, 50, 50],
[100, 50, 50]]])