目录
前言
在过去的一段时间里，我专注于图像处理和裂缝检测方面的研究。最近这段时间也把裂缝的二维检测做好了，效果也是比较令我满意，在项目的最后阶段，深度学习和PyQt的UI界面制作是需要重点学习的内容，我需要在这较短的时间内去好好学习，拿出成果来。
一、创建
import torch
import numpy as nplist创建
# list创建
a=torch.tensor([1,2])
b=torch.tensor([[1,2],[3,4]])numpy创建
# numpy创建
c=torch.from_numpy(np.array([1,2]))
填充创建
#全1填充
print(torch.ones(2, 3))
#全0填充
print(torch.zeros(2, 3))
#full填充
print(torch.full([2, 3], 7))
#对角矩阵
print(torch.eye(3, 3))初始化
#创建但不初始化
print(torch.empty(2, 3))
#标准正态分布
print(torch.randn(2, 3))
#0-1均匀分布
print(torch.rand(2, 3))
#1-9的整数均匀分布
print(torch.randint(1, 10, [2, 3]))tensor([[0., 0., 0.],
[0., 0., 0.]])
tensor([[-1.0020, 0.6792, -1.2098],
[-2.6513, -1.4667, -0.0785]])
tensor([[0.8533, 0.4675, 0.9124],
[0.3488, 0.5822, 0.0545]])
tensor([[2, 9, 7],
[8, 6, 3]])
规律变化
#自增数列,0到9,步长是1
print(torch.arange(0, 10, 2))
#等差数列,0到10,4个数
print(torch.linspace(0, 10, 4))tensor([0, 2, 4, 6, 8])
tensor([ 0.0000, 3.3333, 6.6667, 10.0000])
指定类型创建
#指定类型的创建
torch.FloatTensor([1, 2]), torch.LongTensor([1, 2])(tensor([1., 2.]), tensor([1, 2]))
指定数据类型
#获取数据类型
torch.randn(2, 3).dtype转换数据类型
#转换数据类型
torch.randn(2, 3).to(torch.float64).dtype二、索引
创建数据，表示4张图片，3通道，28*28像素
import torch
a = torch.randn(4, 3, 28, 28)
print(a.shape)torch.Size([4, 3, 28, 28])
直接索引
查看第0张图片
print(a[0].shape)torch.Size([3, 28, 28])
查看第0张图片的第0个通道
print(a[0, 0].shape)torch.Size([28, 28])
查看第0张图片的第0个通道的第2行
print(a[0, 0, 2].shape)torch.Size([28])
查看第0张图片的第0个通道的第2行第4列
print(a[0, 0, 2, 4].shape)torch.Size([]) #输出是一个标量值，无形状
切片
切片操作的语法是start:stop:step，其中start表示起始位置，stop表示终止位置（不包含），step表示步长。
#查看0-1张图片
print(a[:2].shape)
#查看0-1张图片的0-1通道
print(a[:2, :2].shape)
#查看0-1张图片的所有通道的倒数5-正数24行
print(a[:2, :, -5:25].shape)
#有间隔的索引
print(a[:, :, :, ::2].shape)torch.Size([2, 3, 28, 28])
torch.Size([2, 2, 28, 28])
torch.Size([2, 3, 2, 28])
torch.Size([4, 3, 28, 14])
用...表示多个被省略
#取所有图片的第0-2列
print(a[..., :2].shape)
#取所有图片的第0-2行
print(a[..., :2, :].shape)
#取第2张图片
print(a[2, ...].shape)torch.Size([4, 3, 28, 2])
torch.Size([4, 3, 2, 28])
torch.Size([3, 28, 28])
三、维度变换
view,reshape维度变换
#4张图片,单通道,28*28像素
a = torch.randn(4, 1, 28, 28)
print(a.shape)
#转换为4,784维度,相当于打平了
print(a.reshape(4, 784).shape)
#转换为4,28,28维度,相当于重新展开
print((a.reshape(4, 784)).reshape(4, 28, 28).shape)
#view的用法和reshape不作区分
print(a.view(4, 784).shape)torch.Size([4, 1, 28, 28])
torch.Size([4, 784])
torch.Size([4, 28, 28])
torch.Size([4, 784])
unsqueeze插入维度
#2*2的tensor
a = torch.randn(2, 2)
print(a.shape)
#插入维度在第0维
print(a.unsqueeze(0).shape)
#插入维度在倒数第1维
print(a.unsqueeze(-1).shape)torch.Size([2, 2])
torch.Size([1, 2, 2])
torch.Size([2, 2, 1])
squeeze删除维度
只能删除为1的维度
#1*2*2*1的tensor
a = torch.randn(1, 2, 2, 1)
print(a.shape)
#删除第0维
print(a.squeeze(0).shape)
#删除倒数第1维
print(a.squeeze(-1).shape)
#删除所有为1的维度
print(a.squeeze().shape)torch.Size([1, 2, 2, 1])
torch.Size([2, 2, 1])
torch.Size([1, 2, 2])
torch.Size([2, 2])
repeat复制维度
#分别复制2次和3次
print(torch.randn(2, 2).repeat(2, 3).shape)torch.Size([4, 6])
维度交换
# t转置,只能操作2维tensor
print(torch.randn(1, 2).t().shape)
# transpose维度交换,指定要转换的维度,只能两两交换
print(torch.randn(1, 2, 3).transpose(0, 1).shape)
# permute维度交换,输入维度的顺序
print(torch.rand(1, 2, 3).permute(2, 1, 0).shape)torch.Size([2, 1])
torch.Size([2, 1, 3])
torch.Size([3, 2, 1])
四、广播机制
import torch
a = torch.randn(2, 3)
b = torch.randn(1, 3)
c = torch.randn(1)
print((a + b).shape)
print((a + c).shape)
#手动boradcast
print(b.expand_as(a).shape)
print(c.expand_as(a).shape)输出均为torch.Size([2, 3])
五、拼接和拆分
拼接
import torch
a = torch.rand(4, 32, 8)
b = torch.rand(5, 32, 8)
torch.cat([a, b], dim=0).shapetorch.Size([9, 32, 8])
cat拼接,dim=0是指定要拼接的维度。
a = torch.rand(4, 32, 8)
b = torch.rand(4, 32, 8)
torch.stack([a, b], dim=0).shapetorch.Size([2, 4, 32, 8])
stack组合,会创建一个新的维度,用以区分组合后的两个tensor。
拆分
a = torch.rand(4, 32, 8)
_1, _2 = a.split(2, dim=0)
print(_1.shape)
print(_2.shape)
_1, _2, _3 = a.split([1, 2, 1], dim=0)
print(_1.shape)
print(_2.shape)
print(_3.shape)#split拆分，在0维度上拆分，每2个元素1拆
torch.Size([2, 32, 8])
torch.Size([2, 32, 8])#在第0维（行维）上按照切分尺寸
[1, 2, 1]进行切分。其中，第一个切分尺寸为1，第二个切分尺寸为2，第三个切分尺寸为1。
torch.Size([1, 32, 8])
torch.Size([2, 32, 8])
torch.Size([1, 32, 8])
a = torch.rand(4, 32, 8)
_1, _2 = a.chunk(2, dim=0)
print(_1.shape)
print(_2.shape)torch.Size([2, 32, 8])
torch.Size([2, 32, 8]) #chunk拆分,在0维度上拆分,拆成2个
六、数学运算
import torch
#测试数据
a = torch.FloatTensor([[0, 1, 2], [3, 4, 5]])
b = torch.FloatTensor([0, 1, 2])(tensor([[0., 1., 2.],
[3., 4., 5.]]),
tensor([0., 1., 2.]))
四则运算
print(a + b)
print(a - b)
print(a * b)
print(a / b)矩阵乘法
print(a @ b)
print(a.matmul(b))计算过程0 * 0 + 1 * 1 + 2 * 2, 0 * 3 + 1 * 4 + 2 * 5
指数,对数运算
#求指数
print(a**2)
#开根号
print(a**0.5)
#求e的n次方
print(a.exp())
#以e为底,求对数
print(a.log())
#以2为底,求对数
print(a.log2())限制数据的上下限
a.clamp(2, 4)tensor([[2., 2., 2.],
[3., 4., 4.]])
逻辑运算
#大于
print(a > b)
#小于
print(a < b)
#等于
print(a == b)
#不等于
print(a != b)小数点
#四舍五入
c = torch.FloatTensor([3.14])
#向下取整
print(c.floor())
#向上取整
print(c.ceil())
#四舍五入
print(c.round())tensor([3.])
tensor([4.])
tensor([3.])
七、属性统计
import torch
#测试数据
a = torch.FloatTensor([[0., 1., 2.], [3., 4., 5.]])tensor([[0., 1., 2.],
[3., 4., 5.]])
基础属性
#求最小
print(a.min())
#求最大
print(a.max())
#求平均
print(a.mean())
#求积
print(a.prod())
#求和
print(a.sum())
#求最大值下标
print(a.argmax())
#求最小值下标
print(a.argmin())tensor(0.)
tensor(5.)
tensor(2.5000)
tensor(0.)
tensor(15.)
tensor(5)
tensor(0)
分维度
#分维度求最大
a.max(dim=0)
#分维度求最大值下标
a.argmax(dim=0)
#求前2个最小值
a.topk(2, dim=1, largest=False)
#求第2个小的值
a.kthvalue(2, dim=1)torch.return_types.max(
values=tensor([3., 4., 5.]),
indices=tensor([1, 1, 1]))tensor([1, 1, 1])
torch.return_types.topk( values=tensor([[0., 1.], [3., 4.]]), indices=tensor([[0, 1], [0, 1]]))
torch.return_types.kthvalue( values=tensor([1., 4.]), indices=tensor([1, 1]))
范数
#求1范数
print(a.norm(1))
print(a.norm(1, dim=0))
#求2范数
print(a.norm(2))
print(a.norm(2, dim=0))tensor(15.)
tensor([3., 5., 7.])
tensor(7.4162)
tensor([3.0000, 4.1231, 5.3852])
总结
这篇博客的主要的目的是为了方便我个人查找api，在不断的查询中熟悉pytorch的基础操作。