Pytorch中的5个非常有用的张量操作

2022-05-27 02:10| 来源: 网络整理| 查看: 265

PyTorch是一个基于Python的科学包，用于使用一种称为张量的特殊数据类型执行高级操作。张量是具有规则形状和相同数据类型的数字、向量、矩阵或多维数组。PyTorch是NumPy包的另一种选择，它可以在GPU下使用。它也被用作进行深度学习研究的框架。

这5个操作是：

expand()permute()tolist()narrow()where()1. expand()

将现有张量沿着值为1的维度扩展到新的维度。张量可以同时沿着任意一维或多维展开。如果你不想沿着一个特定的维度展开张量，你可以设置它的参数值为-1。

注意：只能扩展单个维度

# Example 1 - working a=torch.tensor([[[1,2,3],[4,5,6]]])a.size()>>torch.Size([1, 2, 3])

a.expand(2,2,3)>>tensor([[[1, 2, 3], [4, 5, 6]],

[[1, 2, 3], [4, 5, 6]]])

在这个例子中，张量的原始维数是[1,2,3]。它被扩展到[2,2,3]。

2. permute()

这个函数返回一个张量的视图，原始张量的维数根据我们的选择而改变。例如，如果原来的维数是[1,2,3]，我们可以将它改为[3,2,1]。该函数以所需的维数顺序作为参数。

# Example 1 - workinga=torch.tensor([[[1,2,3],[4,5,6]]])a.size()>>torch.Size([1, 2, 3])

a.permute(2,1,0).size()>>torch.Size([3, 2, 1])

a.permute(2,1,0)>>tensor([[[1], [4]],

[[2], [5]],

[[3], [6]]])

在这个例子中，原始张量的维度是[1,2,3]。使用permuting，我将顺序设置为(2,1,0)，这意味着新的维度应该是[3,2,1]。如图所示，张量的新视图重新排列了数字，使得张量的维度为[3,2,1]。

当我们想要对不同维数的张量进行重新排序，或者用不同阶数的矩阵进行矩阵乘法时，可以使用这个函数。

3. tolist()

这个函数以Python数字、列表或嵌套列表的形式返回张量。在此之后，我们可以对它执行任何python逻辑和操作。

# Example 1 - workinga=torch.tensor([[1,2,3],[4,5,6]])a.tolist()>> [[1, 2, 3], [4, 5, 6]]

在这个例子中，张量以嵌套列表的形式返回。

4. narrow()

这个函数返回一个新的张量，这个张量是原来张量的缩小版。这个函数的参数是输入张量、要缩小的维数、起始索引和新张量沿该维数的长度。它返回从索引start到索引(start+length-1)中的元素。

# Example 1 - workinga=torch.tensor([[1,2,3,4],[5,6,7,8],[9,10,11,12],[14,15,16,17]])torch.narrow(a,1,2,2)>> tensor([[ 3, 4], [ 7, 8], [11, 12], [16, 17]])

在这个例子中，张量要沿着第2维，也就是最里面的维度缩小。它接受列表中的元素，从索引2开始，到索引3(=2+2 -1，即start+length-1)。

Narrow()的工作原理类似于高级索引。例如，在一个2D张量中，使用[:，0:5]选择列0到5中的所有行。同样的，可以使用torch.narrow(1,0,5)。然而，在高维张量中，对于每个维度都使用range操作是很麻烦的。使用narrow()可以更快更方便地实现这一点。

5. where()

这个函数返回一个新的张量，其值在每个索引处都根据给定条件改变。这个函数的参数有：条件，第一个张量和第二个张量。在每个张量的值上检查条件(在条件中使用)，如果为真，就用第一个张量中相同位置的值代替，如果为假，就用第二个张量中相同位置的值代替。

# Example 1 - workinga=torch.tensor([[[1,2,3],[4,5,6]]]).to(torch.float32)b=torch.zeros(1,2,3)torch.where(a%2==0,b,a)>>tensor([[[1., 0., 3.], [0., 5., 0.]]])

这里，它检查张量a的值是否是偶数。如果是，则用张量b中的值替换，b中的值都是0，否则还是和原来一样。

此函数可用于设定阈值。如果张量中的值大于或小于某一数值，它们可以很容易地被替换。

下载1：OpenCV-Contrib扩展模块中文版教程在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。下载2：Python视觉实战项目52讲在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。下载3：OpenCV实战项目20讲在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~

【本文地址】

公司简介

联系我们