Tensor的创建、修改、索引操作
Tensor概述
对Tensor的操作很多，从接口角度来划分，可以分为两类：
（1）torch.function；（2）tensor.function
这些操作对大部分Tensor都是等价的，如：torch.add(x,y)与x.add(y)等价。
如果从修改方式的角度来划分，可以分为以下两类。
（1）不修改自身数据，如x.add(y)，x的数据不变，返回一个新的Tensor。
（2）修改自身数据，如x.add_(y)（运行符带下划线后缀），运算结果存在x中，x被修改。
import torch
x = torch.tensor([1, 2])
y = torch.tensor([3, 4])
z = x.add(y)
print(z)
print(x)
x.add_(y)
print(x)
输出结果
创建Tensor
函数功能Tensor(*size)直接从参数构造一个的张量，支持List，Numpy数组eye(row, column)创建指定行数，列数的二维单位Tensorlinspace(start, end, steps)从start到end，均匀切分成steps份logspace(start, end steps)从
1 0 s t a r t 10^{start}1 0 s t a r t 1 0 e n d 10^{end}1 0 e n d
，均分分成steps份rand/randn(*size)生成
[ 0 , 1 ) [0,1)[0 ,1 )
均匀分布/标准正态分布数据ones(size)返回指定shape的张量，元素初始为1zeros(size)返回指定shape的张量，元素初始为0ones_like(t)返回与T的shape相同的张量，且元素初始为1zeros_like(t)返回与T的shape相同的张量，且元素初始为0arange(start, end, step)在区间
[ s t a r t , e n d ) [start, end)[s t a r t ,e n d )
上一间隔step生成一个序列张量from_Numpy(ndarry)从ndarry创建一个Tensor
这里不再给出示例，只说明有关torch.Tensor与torch.tensor的几点区别：
（1）torch.Tensor是torch.empty和torch.tensor之间的一种混合，但是当传入数据时，torch.Tensor使用全局默认dtype(FloatTensor)，而torch.tensor是从数据中推断数据类型。
（2）torch.tensor(1)返回一个固定值1，而torch.Tensor(1)返回一个大小为1的张量，它是随机初始化的值。
修改Tensor形状
函数说明size()返回张量的shape属性值，与函数shape（0.4版新增）等价numel(input)计算Tensor元素个数view(*shape)修改Tensor的shape，与reshape类似，但view返回的对象与源Tensor共享内存，修改一个，另一个同时修改。Reshape将生成新的Tensor，而且不要求源Tensor是连续的。view(-1)展平数组resize类似于view，但在size超出时会重新分配内存空间item若Tensor为单元素，则返回python的标量unsqueeze在指定维度增加一个”1″squeeze在指定维度压缩一个”1″
这里说明两个问题
torch.view与torch.reshape的异同
（1）reshape()可以有torch.reshape()，也可由torch.Tensor.reshape()调用。但view()只可由torch.Tensor.view()来调用。
（2）对于一个将要被view的Tensor，新的size必须与原来的size与stride兼容。否则在view之前必须调用contiguous()方法。
（3）同样也是返回与input数据量相同，但形状不同的Tensor。若满足view的条件，则不会copy，若不满足，则会copy。
（4）如果你只想重塑张量，请使用torch.reshape。如果你还关注内存使用情况并希望确保两个张量共享相同的数据，请使用torch.view。
unsqueeze函数的参数
import torch
x = torch.randn(2, 3)
y = x.view(-1)
z1 = torch.unsqueeze(y, 0)
z2 = torch.unsqueeze(y, 1)
z3 = torch.unsqueeze(y, -1)
z4 = torch.unsqueeze(y, -2)
输出结果
经过实验，发现z1与z4等价（都是1 _6），z2与z3等价（都是6_1）。这也不难记忆，因为根据函数使用规则，第二个参数只能取[-2, 1]四个整数值，按照大小排列：-2，-1,0，1，依次对应1 _6、6_1、1 _6、6_1，交替出现。
索引操作
Tensor的索引操作与Numpy类似，一般情况下索引结果与源数据共享内存。从Tensor获取元素除了可以通过索引，也可以借助于一些函数。
函数说明index_select(input,dim, index)在指定维度上选择一些行或列nonzero(input)获取非0元素的下标masked_select(input, mask)使用二元值进行选择gather(input,dim,index)在指定维度上选择数据，输出的形状与index（index的类型必须是LongTensor类型的）一致scatter_(input,dim, index, src)为gather的反操作，根据指定索引补充数据
import torch
设置一个随机种子
torch.manual_seed(100)
生成一个形状为2*3的矩阵
x = torch.randn(2, 3)
根据索引获取第1行，所有数据
x[0, :]
获取最后一列数据
x[:, -1]
生成是否大于0的Byter张量
mask = x> 0
获取大于0的值
torch.masked_select(x, mask)
获取非0下标，即行，列索引
torch.nonzero(mask)
获取指定索引对应的值
index = torch.LongTensor([[0, 1, 1]])
torch.gather(x, 0, index)
index = torch.LongTensor([[0, 1, 1], [1, 1, 1]])
a = torch.gather(x, 1, index)
把a的值返回到一个2*3的0矩阵中
z = torch.zeros(2, 3)
z.scatter_(1, index, a)
因为时间原因😅，这里没能详细介绍有关1：index_select、gather函数及其中index参数的用法（也是花了点时间才想明白😅），这里先强调一点：index参数要求是torch.LongTensor类型的。
参考文献
吴茂贵,郁明敏,杨本法,李涛,张粤磊. Python深度学习（基于Pytorch）. 北京:机械工业出版社,2019.
Original: https://blog.csdn.net/weixin_45813658/article/details/121659537
Author: 小白成长之旅
Title: 深度学习笔记（二）——对Tensor创建、修改、索引操作的整理
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/763061/
转载文章受原作者版权保护。转载请注明原作者出处！