本文已收录于Pytorch系列专栏： Pytorch入门与实践 专栏旨在详解Pytorch，精炼地总结重点，面向入门学习者，掌握Pytorch框架，为数据分析，机器学习及深度学习的代码能力打下坚实的基础。免费订阅，持续更新。
一、张量拼接与切分
1.1 torch.cat
功能：将张量按维度dim 进行拼接
- tensors : 张量序列
- dim： 要拼接的维度
t = torch.ones((2, 3))
t_0 = torch.cat([t, t], dim=0)
t_1 = torch.cat([t, t, t], dim=1)
print("t_0:{} shape:{}\nt_1:{} shape:{}".format(t_0, t_0.shape, t_1, t_1.shape))t_0:tensor([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]]) shape:torch.Size([4, 3])
t_1:tensor([[1., 1., 1., 1., 1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1., 1., 1., 1., 1.]]) shape:torch.Size([2, 9])（2，3） -> （2，6）
这里的dim维度与axis相同，0代表列，1代表行。
1.2 torch.stack
功能：在新创建的维度 dim 上进行拼接（会拓宽原有的张量维度）
- tensors：张量序列
- dim：要拼接的维度
t = torch.ones((2, 3))
t_stack = torch.stack([t, t, t], dim=2)
print("\nt_stack:{} shape:{}".format(t_stack, t_stack.shape))可见，它在新的维度上进行了拼接。
参数[t, t, t]的意思就是在第n个维度上拼接成这个样子。
t_stack:tensor([[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]],
[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]]]) shape:torch.Size([2, 3, 3])
# 在第二维度上进行了拼接
Process finished with exit code 0
1.3 torch.chunk
功能：将张量按维度 dim 进行平均切分
返回值：张量列表
注意事项：若不能整除，最后一份张量小于其他张量。
- input : 要切分的张量
- chunks 要切分的份数
- dim 要切分的维度
code
# cut into 3
a = torch.ones((2, 7)) # 7
list_of_tensors = torch.chunk(a, dim=1, chunks=3) # 3
for idx, t in enumerate(list_of_tensors):
print("第{}个张量：{}, shape is {}".format(idx+1, t, t.shape))可知，切分是7/3向上取整，每份是3，最后剩下的维度直接输出即可。
第1个张量：tensor([[1., 1., 1.],
[1., 1., 1.]]), shape is torch.Size([2, 3])
第2个张量：tensor([[1., 1., 1.],
[1., 1., 1.]]), shape is torch.Size([2, 3])
第3个张量：tensor([[1.],
[1.]]), shape is torch.Size([2, 1])1.4 torch.split
torch.split(Tensor, split_size_or_sections, dim)
功能：将张量按维度 dim 进行切分
返回值：张量列表
- tensor : 要切分的张量
- split_size_or_sections 为 int 时，表示
每一份的长度；为 list 时，按 list 元素切分 - dim 要切分的维度
code：
t = torch.ones((2, 5))
list_of_tensors = torch.split(t, [2, 1, 1], dim=1) # [2 , 1, 2]
for idx, t in enumerate(list_of_tensors):
print("第{}个张量：{}, shape is {}".format(idx+1, t, t.shape))是按照指定长度list进行切分的。注意list中长度总和必须为原张量在改维度的大小，不然会报错。
第1个张量：tensor([[1., 1., 1.],
[1., 1., 1.]]), shape is torch.Size([2, 3])
第2个张量：tensor([[1., 1., 1.],
[1., 1., 1.]]), shape is torch.Size([2, 3])
第3个张量：tensor([[1.],
[1.]]), shape is torch.Size([2, 1])二、张量索引
2.1 torch.index_select
torch.index_select(input, dim, index, out=None)
功能：在维度dim 上，按 index 索引数据
返回值：依index 索引数据拼接的张量
- input : 要索引的张量
- dim 要索引的维度
- index 要索引数据的序号
code：
t = torch.randint(0, 9, size=(3, 3))
idx = torch.tensor([0, 2], dtype=torch.long) # if float will report an error
t_select = torch.index_select(t, dim=0, index=idx)
print(idx)
print("t:\n{}\nt_select:\n{}".format(t, t_select))可见idx是一个存储序号的张量，而torch.index_select通过该张量索引原tensor并且拼接返回。
tensor([0, 2])
t:
tensor([[4, 5, 0],
[5, 7, 1],
[2, 5, 8]])
t_select:
tensor([[4, 5, 0],
[2, 5, 8]])2.2 torch.masked_select
功能：按mask 中的 True 进行索引
返回值：一维张量(无法确定true的个数，因此也就无法显示原来的形状，因此这里返回一维张量)
- input : 要索引的张量
- mask 与 input 同形状的布尔类型张量
t = torch.randint(0, 9, size=(3, 3))
mask = t.le(5) # ge is mean greater than or equal/ gt: greater than le lt
t_select = torch.masked_select(t, mask)
print("t:\n{}\nmask:\n{}\nt_select:\n{} ".format(t, mask, t_select))通过掩码来索引。
tensor([[4, 5, 0],
[5, 7, 1],
[2, 5, 8]])
mask:
tensor([[ True, True, True],
[ True, False, True],
[ True, True, False]])
t_select:
tensor([4, 5, 0, 5, 1, 2, 5])
Process finished with exit code 0
