一、合并與分割

1.cat拼接

直接按照指定的dim維度進(jìn)行合并，要求除了所需要合并的維度之外，其他的維度需要是一樣的

2.stack堆疊

例：此處創(chuàng)建一個(gè)和a一樣的tensor，按照某一維度進(jìn)行stack，就會(huì)在堆疊的維度前面，生成一個(gè)新的維度，用以進(jìn)行選擇，比如新生成了一個(gè)2維，就可以通過0,1進(jìn)行選擇。具體是什么意義，取決于實(shí)際的問題。

比如兩個(gè)班成績單用stack合并，生成的新維度，就可以選擇0或1來選擇這個(gè)新維度，從而達(dá)到選擇班級的目的。

3.拆分

①Split按長度拆分

第一個(gè)參數(shù)可以是單獨(dú)的數(shù)字a，意思是每一個(gè)拆分出來的部分有a個(gè)數(shù)據(jù)；可以是一個(gè)類似list的對象b，意思是把數(shù)據(jù)按照b里面的方式拆分，拆分成len(b)個(gè)tensor。

②Chunk按數(shù)量拆分

傳入的第一個(gè)參數(shù)就是拆成幾個(gè)chunk，然后把原來的維度除以這個(gè)數(shù)量即可。

比如下面的例子，原來維度是[2,32,8]，chunk參數(shù)傳入2，就需要拆成2個(gè)，則2/2=1，最終每一個(gè)的維度變?yōu)閇1,32,8]。

二、基本運(yùn)算

1.加減乘除

和numpy中的一致。也可以使用torch.add等方法。

2.矩陣相乘

注意，*就是元素與元素相乘，而矩陣相乘可以用以下兩種：torch.matmul，@

如果是高維矩陣相乘，計(jì)算的其實(shí)就是最后的兩個(gè)維度的矩陣乘法。

3.次方計(jì)算

和numpy中一致，可以使用**來計(jì)算任意次方。此外.pow()也可以計(jì)算。

指數(shù)和對數(shù)計(jì)算也基本一致，log默認(rèn)是以e為底的。

4. clamp

通常用于當(dāng)出現(xiàn)梯度過大等情況時(shí)，對梯度進(jìn)行裁剪。通過輸入最大最小值，目標(biāo)中超出最大值的按最大值來；低于最小值的按最小值來。

三、屬性統(tǒng)計(jì)

1.求范數(shù)

注意一點(diǎn)：求哪個(gè)維度的范數(shù)，哪個(gè)維度就會(huì)被消掉。

2.求極值、求和、累乘

3. dim和keepdim

在很多方法中，都可以對dim進(jìn)行設(shè)置。如果不設(shè)置，就是把所有數(shù)據(jù)展開后，求全局的。

注意這里的dim，a的形狀是[4,10]，求最大值時(shí)，如果設(shè)置dim=1，也就是列，個(gè)人理解，意思是結(jié)果的維度需要是列，那么就是把整行的數(shù)值進(jìn)行計(jì)算找最大值，最后返回一個(gè)列作為結(jié)果。

4.topk和kthvalue

topk參數(shù)：k(前k個(gè)最大值)，dim（以dim的維度返回結(jié)果）

這個(gè)方法默認(rèn)的是返回的最大值，同時(shí)會(huì)返回它們的索引。

kthvalue參數(shù)：k(第k小的值)，dim

5.比較運(yùn)算

和Numpy中的一致。如果使用torch.eq方法，返回每個(gè)對應(yīng)位置的結(jié)果；如果使用torch.equal方法，返回的是整體對比的結(jié)果。

6.高階操作

①where

②gather

索引行數(shù)小于等于表的行數(shù)。也就是說，既然要用索引來去找表中的內(nèi)容，就不能超過表的索引長度。索引在傳入gather方法中的時(shí)候，必須要轉(zhuǎn)換成Long的類型。

舉例如下：

返回值的形狀一定是索引的形狀，因?yàn)榫褪前凑账饕ト〉闹怠７祷刂档膬?nèi)容就來自于輸入的input，根據(jù)索引獲得的對應(yīng)的值。

以上就是人工智能學(xué)習(xí)Pytorch進(jìn)階操作教程的詳細(xì)內(nèi)容，更多關(guān)于PyTorch進(jìn)階的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論