pytorch: Tensor 常用操作

pytorch: Tensor 常用操作

torch.tensor是一个包含多个同类数据类型数据的多维矩阵。

---

常用参数

dtype: tessor的数据类型，总共有八种数据类型。其中默认的类型是torch.FloatTensor,而且这种类型的别名也可以写作torch.Tensor。

Data type	dtype	CPU tensor	GPU tensor
32-bit floating point	torch.float32 or torch.float	torch.FloatTensor	torch.cuda.FloatTensor
64-bit floating point	torch.float64 or torch.double	torch.DoubleTensor	torch.cuda.DoubleTensor
16-bit floating point	torch.float16 or torch.half	torch.HalfTensor	torch.cuda.HalfTensor
8-bit integer (unsigned)	torch.uint8	torch.ByteTensor	torch.cuda.ByteTensor
8-bit integer (signed)	torch.int8	torch.CharTensor	torch.cuda.CharTensor
16-bit integer (signed)	torch.int16 or torch.short	torch.ShortTensor	torch.cuda.ShortTensor
32-bit integer (signed)	torch.int32 or torch.int	torch.IntTensor	torch.cuda.IntTensor
64-bit integer (signed)	torch.int64 or torch.long	torch.LongTensor	torch.cuda.LongTensor

device:这个参数表示了tensor将会在哪个设备上分配内存。它包含了设备的类型（cpu、cuda）和可选设备序号。如果这个值是缺省的，那么默认为当前的活动设备类型。

require_grad:这个标志表明这个tensor的操作是否会被pytorch的自动微分系统（Autograd）记录其操作过程，以便后续自动求导。

layout：表示了tensor的内存分布方式。目前，pytorch支持torch.strided方式以及实验性质地支持torch.sparse_coo。前者是目前普遍的使用方式。每一个strided tensor都关联一个torch.storage以保存其数据。

---

创建

典型的tensor构建方法：
torch.tensor(data, dtype=None, device=None, requires_grad=False)

从其他形式转换而来：
torch.as_tensor(data, dtype=None, device=None)
torch.from_numpy(ndarray

创建特殊值组成的tensor：
torch.zeros(*sizes, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
torch.zeros_like(input, dtype=None, layout=None, device=None, requires_grad=False)
torch.ones(*sizes, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
torch.ones_like(input, dtype=None, layout=None, device=None, requires_grad=False)
torch.eye(n, m=None, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
torch.empty(*sizes, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
torch.empty_like(input, dtype=None, layout=None, device=None, requires_grad=False)
torch.full(size, fill_value, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
torch.full_like(input, fill_value, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

按照步长或者区间创建tensor：
torch.arange(start=0, end, step=1, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
torch.range(start=0, end, step=1, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
torch.linspace(start, end, steps=100, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)
torch.logspace(start, end, steps=100, out=None, dtype=None, layout=torch.strided, device=None, requires_grad=False)

---

索引，分块，组合，变形

组合

torch.cat(seq, dim=0, out=None)：按照已经存在的维度进行concatenate。
torch.stack(seq, dim=0, out=None)：按照新的维度进行concatenate。

分块

torch.chunk(tensor, chunks, dim=0)：按照某个维度平均分块（最后一个可能小于平均值）
torch.split(tensor, split_size_or_sections, dim=0）：按照某个维度依照第二个参数给出的list或者int进行分割tensor。

索引

torch.gather(input, dim, index, out=None)：在指定维度上按照索引赋值输出tensor。输入与输出大小一致。
torch.index_select(input, dim, index, out=None)：选出一维度的一些slice组合成新的tensor。指定维度的大小与index大小一致。
torch.masked_select(input, mask, out=None)：按照mask输出一个一维的tensor。
torch.take(input, indices)：将输入看成1D tensor，按照索引得到输出。输出大小与index大小一致。
torch.nonzero(input, out=None)：输出非0 元素的坐标。
torch.where(condition, x, y)：按照条件从x和y中选出满足条件的元素组成新的tensor。

变形

torch.reshape(input, shape)
torch.t(input)： 只针对2D tensor转置
torch.transpose(input, dim0, dim1)：交换两个维度

torch.squeeze(input, dim=None, out=None)：去除那些维度大小为1的维度
torch.unbind(tensor, dim=0)：去除某个维度
torch.unsqueeze(input, dim, out=None)：在指定位置添加维度。

---

数学运算

Pointwise Ops

torch.addcdiv(tensor, value=1, tensor1, tensor2, out=None)

$$out_i = tensor_i + value \times \frac{tensor1_i}{tensor2_i}$$

torch.addcmul(tensor, value=1, tensor1, tensor2, out=None)

$$out_i = tensor_i + value \times tensor1_i \times tensor2_i$$

torch.ceil(input, out=None)

$$\text{out}_{i} = \left\lceil \text{input}_{i} \right\rceil = \left\lfloor \text{input}_{i} \right\rfloor + 1$$

torch.clamp(input, min, max, out=None) ：max 或者min 可以用 * 代替，表示没有该项限制

$$\begin{split}y_i = \begin{cases} \text{min} & \text{if } x_i < \text{min} \\ x_i & \text{if } \text{min} \leq x_i \leq \text{max} \\ \text{max} & \text{if } x_i > \text{max} \end{cases}\end{split}$$

torch.erf(tensor, out=None)

$$\mathrm{erf}(x) = \frac{2}{\sqrt{\pi}} \int_{0}^{x} e^{-t^2} dt$$

torch.fmod(input, divisor, out=None): 计算余数

torch.frac(tensor, out=None)

$$\text{out}_{i} = \text{input}_{i} - \left\lfloor \text{input}_{i} \right\rfloor$$

torch.lerp(start, end, weight, out=None)

$$out_i = start_i + weight \times (end_i - start_i)$$

torch.neg(input, out=None)

$$out = -1 \times input$$

torch.pow(base, input, out=None)

$$out_i = base ^ {input_i}$$

torch.reciprocal(input, out=None)

$$\text{out}_{i} = \frac{1}{\text{input}_{i}}$$

torch.remainder(input, divisor, out=None)：计算余数

torch.rsqrt(input, out=None)

$$\text{out}_{i} = \frac{1}{\sqrt{\text{input}_{i}}}$$

torch.sign(input, out=None) ：取符号

torch.trunc(input, out=None)：截取整数部分

Reduction Ops

torch.dist(input, other, p=2)
计算p范数

torch.norm()
计算2范数

torch.prod()
计算所有元素的积

torch.unique(input, sorted=False, return_inverse=False)
以1D向量保存张量中不同的元素。

Comparison Ops

torch.isfinite(tensor) / torch.isinf(tensor) / torch.isnan(tensor)
返回一个标记元素是否为 finite/inf/nan 的mask 张量。

torch.kthvalue(input, k, dim=None, keepdim=False, out=None) -> (Tensor, LongTensor)
返回最小的第k个元素，如果为指定维度，则默认为最后一个维度。

torch.sort(input, dim=None, descending=False, out=None)
沿着某一维度对张量进行升序排列。

torch.topk(input, k, dim=None, largest=True, sorted=True, out=None)
返回最大的k个元素。

Other Operations

torch.bincount(self, weights=None, minlength=0)
返回每个值得频数。

torch.cross(input, other, dim=-1, out=None)
按照维度计算叉积。

torch.diag(input, diagonal=0, out=None)
如果输入时1D,则返回一个相应的对角矩阵；如果输入时2D，则返回相应对角线的元素。

torch.flip(input, dims)
按照给定维度翻转张量

torch.histc(input, bins=100, min=0, max=0, out=None)
计算张量的直方图。

torch.meshgrid(seq)
生成网格（可以生成坐标）。

BLAS and LAPACK Operations

Reference

[1] torch
[2] PyTorch for former Torch users