every blog every motto: You can do more than you think.
https://blog.csdn.net/weixin_39190382?type=blog

0. 前言

总结torch常用的函数。
包括如下：
torch.FloatTensor torch.max torch.numel torch.sort torch.sort torch.clamp torch.nonzero torch.cat torch.statck

说明： 后续持续更新中…

1. 正文

a = torch.FloatTensor([1,2,3,4])

在这里插入图片描述
2. 当传入的是数字时
生成数字对应维度的数组（数组内数值为0）

b = torch.FloatTensor(4)

在这里插入图片描述
注意： 不同版本的torch生成的数字可能不同，有可能生成一个很大的数。

a = torch.Tensor([5,6,9])
torch.max(a)

在这里插入图片描述
2. 当传入Tensor，和维度时（在哪一维比较大小）
返回最大的数和索引

a = torch.Tensor([[5,6,9],
				[2,3,1]])
torch.max(a,dim=1)

如下图所示，返回的时最大值的9和3，当然这是在dim=1这个维度进行比较的，即，每一行里面比较选择一个最大的。
第一行的数据为【5，6，9】，最大的9，索引为2
第二行数据为【2，3，1】，最大的为3，索引为1
在这里插入图片描述
可对数字和索引进行拆分，如下图所示：

返回tensor中有多少个数

a = torch.Tensor([2,3,4,5,1,2,3])
a.numel()

在这里插入图片描述

a = torch.Tensor([[5,6,9],[2,3,1]])
a.numel()

在这里插入图片描述

对指定维度进行排序，True表示降序，False表示升序

返回排序后的tensor和数字在原tensor中对应的索引

a = torch.Tensor([2,3,4,5,1,2,3])
a.sort(0,True)

在这里插入图片描述
和上面的max类似，可进行拆分，如下图所示

将tensor数值进行修改

a = torch.Tensor([2,3,4,5])
a.clamp(min=3)

在这里插入图片描述

a = torch.Tensor([2,3,4,5])
a.clamp(max=3)

在这里插入图片描述

返回非零元素的索引

一维：

a = torch.Tensor([0, 1, 2, 3, 0, 5])
a.nonzero()

返回tensor中非零元素的索引：
在这里插入图片描述
二维：

a = torch.Tensor([
                    [0, 1, 2, 3, 0, 5],
                    [0, 0, 0, 0, 0, 10] ])
a.nonzero()

非零元素的索引：
如，a[0,1]，a[0,2] …等，其值时非零的。
在这里插入图片描述

沿着指定维度进行合并，默认维度dim=0

a = torch.rand((2, 3))
b = torch.rand((2, 3))
c = torch.cat((a, b))

各tensor的shape:
在这里插入图片描述

沿着指定维度合并，但是会多出一维

a = torch.rand((2, 3))
b = torch.rand((2, 3))
c = torch.stack((a, b))

在这里插入图片描述