关于numpy和torch.tensor的张量的操作
1. 张量的拼接
(1) numpy.concatenate
np.concatenate((a1,a2,a3,…), axis=0)张量的拼接要用np.concatenate这个方法的，其中 a1,a2,a3,…是拼接的子张量，axis是维数，axis=0表示按照第一维进行拼接。
例如将两个二维的张量按照第一维拼接成一个二维的张量：
import numpy as np
a=np.array([[1,2,3]])
b=np.array([[4,5,6]])
c=np.concatenate((a,b),axis=0)
print(c)
d=np.concatenate((c,a),axis=0)
print(d)
e=np.concatenate((c,c),axis=1)
print(e)结果
array([[1, 2, 3],
[4, 5, 6]])
array([[1, 2, 3],
[4, 5, 6],
[1, 2, 3]])
array([[1, 2, 3, 1, 2, 3],
[4, 5, 6, 4, 5, 6]])
对于axis选择的更简单直接的理解是我们可以从将被拼接的两个矩阵的形状上来看，比如
a.shape=(3,1,2), b.shape=(6,1,2),则我们对其进行拼接的话目的是让拼接之后的shape=(9,1,2),那么我们就选择axis=0，即代表对第0维的进行相加。
代码如下：
import numpy as np
a = np.zeros((3, 1, 2))
b = np.zeros((6, 1, 2))
c = np.concatenate((a, b), axis=0)
print(c.shape)结果为：
(9, 1, 2)
(2) torch.cat
这里的拼接和上面介绍的numpy的拼接功能是一样的
C = torch.cat( (A,B),0 ) #按维数0拼接（竖着拼）
C = torch.cat( (A,B),1 ) #按维数1拼接（横着拼）例：
import torch
A=torch.ones(2,3) #2x3的张量（矩阵）
B=2*torch.ones(4,3) #4x3的张量（矩阵）
C=torch.cat((A,B),0) #按维数0（行）拼接
print(C) 结果：
tensor([[ 2., 2., 2.],
[ 2., 2., 2.],
[ 2., 2., 2.],
[ 2., 2., 2.]])
接着上面
D=2*torch.ones(2,4) #2x4的张量（矩阵）
C=torch.cat((A,D),1)#按维数1（列）拼接
print(C)结果：
tensor([[ 1., 1., 1., 2., 2., 2., 2.],
[ 1., 1., 1., 2., 2., 2., 2.]])
2. 张量的重构
(1) np.reshape
>>> import numpy as np
>>> a = np.array([[1,2,3],[4,5,6]])
>>> a
array([[1, 2, 3],
[4, 5, 6]])
>>> b = np.reshape(a, (2,3,1))
>>> b
array([[[1],
[2],
[3]],
[[4],
[5],
[6]]])
>>> b.shape
(2, 3, 1)(2) array.shape
>>> import numpy as np
>>> a = np.array([1,2,3,4,5,6,7,8])
>>> a.shape = (2, 4)
>>> a
array([[1, 2, 3, 4],
[5, 6, 7, 8]])(3) torch.view
在PyTorch中view函数的作用为重构张量的维度，相当于numpy中resize（）的功能，但是用法可能不太一样。
1.torch.view(参数a，参数b，…)
例如：
import torch
tt1=torch.tensor([-0.3623, -0.6115, 0.7283, 0.4699, 2.3261, 0.1599])
result=tt1.view(3,2)
print(result)结果
tensor([[-0.3623, -0.6115],
[ 0.7283, 0.4699],
[ 2.3261, 0.1599]])
在上面例子中参数a=3和参数b=2决定了将一维的tt1重构成3x2维的张量。
2.有的时候会出现torch.view(-1)或者torch.view(参数a，-1)这种情况。
例：
import torch
tt2=torch.tensor([[-0.3623, -0.6115],
[ 0.7283, 0.4699],
[ 2.3261, 0.1599]])
result=tt2.view(-1)
print(result)结果：
tensor([-0.3623, -0.6115, 0.7283, 0.4699, 2.3261, 0.1599])
由上面的案例可以看到，如果是torch.view(-1)，则原张量会变成一维的结构。
例：
import torch
tt3=torch.tensor([[-0.3623, -0.6115],
[ 0.7283, 0.4699],
[ 2.3261, 0.1599]])
>>> result=tt3.view(2,-1)结果：
tensor([[-0.3623, -0.6115, 0.7283],
[ 0.4699, 2.3261, 0.1599]])
由上面的案例可以看到，如果是torch.view(参数a，-1)，则表示在参数b未知，参数a已知的情况下自动补齐列向量长度，在这个例子中a=2，tt3总共由6个元素，则b=6/2=3。
例：
import torch
inputs = torch.randn(1,3)
print(inputs)
print(inputs.view(1, 1, -1))结果：
tensor([[-0.5525, 0.6355, -0.3968]])
tensor([[[-0.5525, 0.6355, -0.3968]]])
将二维变为三维,a=1,b=1,c=3/(1*1)
3. 张量的形状
(1) torch.size
import torch
inputs = torch.randn(1,3)
print(inputs.size())结果：
torch.Size([1, 3])
４. 张量的扩展
(1) torch.tensor扩展方法
用unsqueeze方法将原张量进行维度扩张，unsqueeze后面括号里的数字代表在哪个维度扩张
import torch
a = torch.tensor([[1, 2, 3], [4, 5, 6]])
b = torch.tensor([[7, 8, 9], [4, 5, 6]])
print(a)
print(b)
a = a.unsqueeze(0)
b = b.unsqueeze(0)
print(a)
print(b)
c = torch.cat((a, b), 0)
print(c)
print(c.shape)结果为
tensor([[1, 2, 3],
[4, 5, 6]])
tensor([[7, 8, 9],
[4, 5, 6]])
tensor([[[1, 2, 3],
[4, 5, 6]]])
tensor([[[7, 8, 9],
[4, 5, 6]]])
tensor([[[1, 2, 3],
[4, 5, 6]],[[7, 8, 9],
[4, 5, 6]]])
torch.Size([2, 2, 3])
用squeeze方法将原张量进行维度缩减，squeeze后面括号里的数字代表在哪个维度缩减
import torch
a = torch.tensor([[1, 2, 3], [4, 5, 6]])
b = torch.tensor([[7, 8, 9], [4, 5, 6]])
print(a)
print(b)
a = a.unsqueeze(0)
b = b.unsqueeze(0)
print(a)
print(b)
a = a.squeeze(0)
b = b.squeeze(0)
print(a)
print(b)结果为
tensor([[1, 2, 3],
[4, 5, 6]])
tensor([[7, 8, 9],
[4, 5, 6]])
tensor([[[1, 2, 3],
[4, 5, 6]]])
tensor([[[7, 8, 9],
[4, 5, 6]]])
tensor([[1, 2, 3],
[4, 5, 6]])
tensor([[7, 8, 9],
[4, 5, 6]])
(2) np.array扩展方法
np.expand_dims:用于扩展数组的形状
原始数组：
import numpy as np
In [12]:
a = np.array([[[1,2,3],[4,5,6]]])
a.shape
Out[12]:
(1, 2, 3)np.expand_dims(a, axis=0)表示在0位置添加数据，转换结果如下：
In [13]:
b = np.expand_dims(a, axis=0)
b
Out[13]:
array([[[[1, 2, 3],
[4, 5, 6]]]])
In [14]:
b.shape
Out[14]:
(1, 1, 2, 3)
总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持。
相关文章