PyTorch深度学习入门 Tensor基础 1.1 Tensor 6. 连接和切片

约定不等于承诺〃 2024-03-27 15:31 62阅读 0赞

#### PyTorch深度学习入门 ####

![在这里插入图片描述][58b9e10cac4d4d74b021e9ebdc8cca60.png_pic_center]

##### Tensor基础 #####

###### 6. 连接和切片 ######

使用torch.cat() 函数将多个Tensor 沿某维度进行连接。

cat()函数需要传入两个参数：第一个参数是由需要进行连接的所有Tensor组成的元组；第二个参数是连接的维度。如果让a按照第一个维度与b进行连接，则传入的第二个参数为0：

![在这里插入图片描述][8d7b4dfca0524907be80242215f8d44f.png_pic_center]

如果让a按照第二个维度与b进行连接，则传人的第二个参数为1：

![在这里插入图片描述][8d6377090ba249dd91f5dbe10c8a03f6.png_pic_center]

使用torch.chunk()函数将Tensor沿某维度进行切片。

chunk()函数需要传入3个参数：第一个参数为被切片的Tensor对象，第二个参数为切分的块数，第三个参数为切分的维度。

![在这里插入图片描述][7293b491a6234fd080c577ce1190980d.png_pic_center]

使用torch.t() 函数求转置矩阵。此函数只适用于二维的Tensor

![在这里插入图片描述][d231cf3707fe4c7297ef6449bef04133.png_pic_center]

常用的Tensor 连接和切片操作：

<table> 
 <thead> 
  <tr> 
   <th align="center">方法</th> 
   <th align="center">说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="center">cat()</td> 
   <td align="center">沿某维度方向进行连接操作，返回Tensor</td> 
  </tr> 
  <tr> 
   <td align="center">chunk()</td> 
   <td align="center">沿某维度对Tensor进行切片，切分的大小可以设置</td> 
  </tr> 
  <tr> 
   <td align="center">index_select()</td> 
   <td align="center">沿某维度对Tensor进行切片，取index中指定的相应元素</td> 
  </tr> 
  <tr> 
   <td align="center">unbind()</td> 
   <td align="center">沿某维度对Tensor进行切分，并返回各切片</td> 
  </tr> 
  <tr> 
   <td align="center">split()</td> 
   <td align="center">沿某维度对Tensor切成相等形状的块</td> 
  </tr> 
  <tr> 
   <td align="center">nonzero()</td> 
   <td align="center">返回非零索引的Tensor</td> 
  </tr> 
  <tr> 
   <td align="center">squeeze()</td> 
   <td align="center">将Tensor的形状中的1去除并返回</td> 
  </tr> 
  <tr> 
   <td align="center">unsqueeze()</td> 
   <td align="center">将Tensor的形状中指定维度添加维度1</td> 
  </tr> 
  <tr> 
   <td align="center">stack()</td> 
   <td align="center">沿某维度对输入的Tensor序列进行连接</td> 
  </tr> 
  <tr> 
   <td align="center">t()</td> 
   <td align="center">是transpose(input,0,1)的特例简写，让一个矩阵进行转置</td> 
  </tr> 
  <tr> 
   <td align="center">transpose()</td> 
   <td align="center">对Tensor的指定两个维度进行转置</td> 
  </tr> 
 </tbody> 
</table>

[58b9e10cac4d4d74b021e9ebdc8cca60.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/27/0b5828ed3957404d9a9c8c49b0c89d57.png
[8d7b4dfca0524907be80242215f8d44f.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/27/fcb621c0c6d744f9ae8c2438840f6693.png
[8d6377090ba249dd91f5dbe10c8a03f6.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/27/df72d771a5e343ab8a1ff6729a64d58f.png
[7293b491a6234fd080c577ce1190980d.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/27/67e51c48ac3542a295ca9cdb55ffa3fb.png
[d231cf3707fe4c7297ef6449bef04133.png_pic_center]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/27/643bbcaf8ce34cada30a0fca68e5231b.png