pytorch 常见函数理解

最新推荐文章于 2025-07-08 13:15:13 发布

hozhangel

最新推荐文章于 2025-07-08 13:15:13 发布

阅读量422

点赞数

CC 4.0 BY-SA版权

分类专栏： Pytorch

本文链接：https://blog.youkuaiyun.com/ZHO9504/article/details/84965496

Pytorch 专栏收录该内容

2 篇文章

订阅专栏

本文详细介绍了PyTorch中关键的张量操作，包括gather、squeeze、expand、sum、contiguous、softmax、max、argmax等函数的使用方法及应用场景，帮助读者深入理解并掌握这些操作的细节。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

gather

>>> a = torch.Tensor([[1,2],[3,4]])
>>> a
tensor([[ 1.,  2.],
        [ 3.,  4.]])
>>> torch.gather(a,1,torch.LongTensor([
... [0,0],
... [1,0]]))
tensor([[ 1.,  1.],
        [ 4.,  3.]])
#1代表按照第1维度进行计算
#第一维也就是按照行，第一行[0,0]代表，新的tensor的第一行的两个元素，分别是a第一行的的第0个和第0个元素
#第一维也就是按照行，第二行[1,0]代表，新的tensor的第二行的两个元素，分别是a第二行的第1个和第0个元素
>>> torch.gather(a,0,torch.LongTensor([
... [0,0],
... [1,0]]))
tensor([[ 1.,  2.],
        [ 3.,  2.]])
#0代表按照第0维度进行计算
#第0维也就是按照列，第二列[0,0]代表，新的tensor的第二列的两个元素，分别是a第二列的第0个和第0个元素

squeeze

将维度为1的压缩掉。如size为（3,1,1,2），压缩之后为（3,2）

import torch
a=torch.randn(2,1,1,3)
print(a)
print(a.squeeze())

输出：

tensor([[[[-0.2320, 0.9513, 1.1613]]],


[[[ 0.0901, 0.9613, -0.9344]]]])

tensor([[-0.2320, 0.9513, 1.1613],
[ 0.0901, 0.9613, -0.9344]])


tensor([[-0.2320, 0.9513, 1.1613],
[ 0.0901, 0.9613, -0.9344]])

expand

扩展某个size为1的维度。如(2,2,1)扩展为(2,2,3)

import torch
x=torch.randn(2,2,1)
print(x)
y=x.expand(2,2,3)
print(y)

输出：

tensor([[[ 0.0608],
[ 2.2106]],

[[-1.9287],
[ 0.8748]]])
tensor([[[ 0.0608, 0.0608, 0.0608],
[ 2.2106, 2.2106, 2.2106]],

[[-1.9287, -1.9287, -1.9287],
[ 0.8748, 0.8748, 0.8748]]])

参考：https://blog.youkuaiyun.com/hbu_pig/article/details/81454503

sum

size为（m,n,d）的张量，dim=1时，输出为size为（m,d）的张量

import torch
a=torch.tensor([[[1,2,3],[4,8,12]],[[1,2,3],[4,8,12]]])
print(a.sum())
print(a.sum(dim=1))

输出:

tensor(60)
tensor([[ 5, 10, 15],
[ 5, 10, 15]])

contiguous

返回一个内存为连续的张量，如本身就是连续的，返回它自己。一般用在view()函数之前，因为view()要求调用张量是连续的。可以通过is_contiguous查看张量内存是否连续。

import torch
a=torch.tensor([[[1,2,3],[4,8,12]],[[1,2,3],[4,8,12]]])
print(a.is_contiguous)

print(a.contiguous().view(4,3))

输出：

<built-in method is_contiguous of Tensor object at 0x7f4b5e35afa0>
tensor([[ 1, 2, 3],
[ 4, 8, 12],
[ 1, 2, 3],
[ 4, 8, 12]])

softmax

假设数组V有C个元素。对其进行softmax等价于将V的每个元素的指数除以所有元素的指数之和。这会使值落在区间（0,1）上，并且和为1。

import torch
import torch.nn.functional as F

a=torch.tensor([[1.,1],[2,1],[3,1],[1,2],[1,3]])
b=F.softmax(a,dim=1)
print(b)

输出：

tensor([[ 0.5000, 0.5000],
[ 0.7311, 0.2689],
[ 0.8808, 0.1192],
[ 0.2689, 0.7311],
[ 0.1192, 0.8808]])

max

返回最大值，或指定维度的最大值以及index

import torch
a=torch.tensor([[.1,.2,.3],
[1.1,1.2,1.3],
[2.1,2.2,2.3],
[3.1,3.2,3.3]])
print(a.max(dim=1))
print(a.max())

输出：

(tensor([ 0.3000, 1.3000, 2.3000, 3.3000]), tensor([ 2, 2, 2, 2]))
tensor(3.3000)

argmax

返回最大值的index

import torch
a=torch.tensor([[.1,.2,.3],
[1.1,1.2,1.3],
[2.1,2.2,2.3],
[3.1,3.2,3.3]])
print(a.argmax(dim=1))
print(a.argmax(dim=0))
print(a.argmax())

输出：

tensor([ 2, 2, 2, 2])
tensor([ 3, 3, 3])
tensor(11)