从零开始深度学习Pytorch笔记(5)——张量的索引与变换
前文传送门：从零开始深度学习Pytorch笔记（1）——安装Pytorch从零开始深度学习Pytorch笔记（2）——张量的创建（上）从零开始深度学习Pytorch笔记（3）——张量的创建（下）从零开始深度学习Pytorch笔记（4）——张量的拼接与切分
在该系列的上一篇，我们介绍了更多Pytorch中的张量的拼接与切分，本文研究张量的索引与变换。张量的索引
import torch使用torch.masked_select()索引
torch.masked_select(input, mask, out=None)其中：
input: 要索引的张量mask: 与input同形状的布尔类型张量
t = torch.randint(0,12,size=(4,3))
mask = t.ge(6) #ge是greater than or equal ,gt是greater than , le lt
t_select = torch.masked_select(t,mask)
print(t,'\n',mask,'\n',t_select)#将大于等于6的数据挑出来，返回一维张量
张量变换使用torch.reshape()变换变换张量的形状torch.reshape(input, shape)参数：input: 要变换的张量shape: 新张量的形状
t = torch.randperm(10)
t1 = torch.reshape(t,(2,5))
print(t,'\n',t1)
t1 = torch.reshape(t,(-1,5))# -1代表根据其他维度计算得到
print(t,'\n',t1)
当张量在内存中是连续时，新张量和input共享数据内存t = torch.randperm(10)
t[0] = 1024
print(t,'\n',t1)
print(id(t.data),id(t1.data))
#共享内存，id相同
使用torch.transpose()变换交换张量的两个维度torch.transpose(input, dim0, dim1)参数：
input：要变换的张量dim0：要交换的维度dim1：要交换的维度
t = torch.rand((4,3,2))
t1 = torch.transpose(t,dim0=0,dim1=1)#交换他们的第0，1维度
print(t.shape,t1.shape)
使用torch.t()变换2 维张量转置，对于矩阵而言，等价于torch.transpose(input,0,1)torch.t(input)参数：input：要变换的张量
x = torch.randn(3,2)
print(x)
torch.t(x)
使用torch.squeeze()变换压缩长度为1的维度（轴）torch.squeeze(input, dim=None, out=None)参数：dim: 若为None，移除所有长度为1的轴；若指定维度，当且仅当该轴长度为1时，可以被移除。
t = torch.rand((1,2,1,1))
t1 = torch.squeeze(t)
t2 = torch.squeeze(t,dim=0)
t3 = torch.squeeze(t,dim=1)#指定的轴长度不为1，不能移除
print(t.shape,'\n',t1.shape,t2.shape,t3.shape)
使用torch.unsqueeze()变换依据dim扩展维度torch.unsqueeze(input, dim, out=None)参数：dim：扩展的维度
x = torch.tensor([1, 2, 3, 4, 5])
torch.unsqueeze(x, 0)
从中括号数量可以看出已经从1维变成2维的了。torch.unsqueeze(x, 1)
欢迎关注公众号学习之后的深度学习连载部分~
喜欢记得点再看哦，证明你来看过~评论