[pytorch]常用函数（自用）

一、公共部分

1、torch.linespace

返回一维张量，在start和end之间（包括start也包括end）的均匀间隔的steps个点，长度为steps。

print(torch.linspace(1,10,3))  #输出tensor([ 1.0000,  5.5000, 10.0000])
print(torch.linspace(-10,10,10))  #tensor([-10.0000,  -7.7778,  -5.5556,  -3.3333,  -1.1111,   1.1111,   3.3333, 5.5556,   7.7778,  10.0000])

2、torch.from_array(ndarray)->Tensor

返回的张量和ndarray共享一片存储区域，修改一个会导致另一个的修改。返回的张量不能改变大小

a=np.array([[1,2,3],[4,5,6]])
b=torch.from_numpy(a)
print(b)#输出tensor([[1, 2, 3],
        #[4, 5, 6]], dtype=torch.int32)
b[0][0]=11
print(a)#输出[[11  2  3] #[ 4  5  6]]

3、torch.numel(input)->int

返回tensor中元素的总个数

a=torch.rand(1,2,3,4)
print(torch.numel(a))#输出24

4、torch.logspace(start,end,steps,out=None)

生成10的start次方和10的end次方的steps个数据点

print(torch.logspace(-10,10,10))#输出tensor([1.0000e-10, 1.6681e-08, 2.7826e-06, 4.6416e-04, 7.7426e-02, 1.2915e+01,
        #2.1544e+03, 3.5938e+05, 5.9948e+07, 1.0000e+10])

5、torch.rand(*size)

生成均值为0，方差为1的高斯分布数据

print(torch.randn((2,3)))

6、torch.randn(*size)

生成均值为0，方差为1的高斯分布数据

print(torch.randn((2,3)))

7、torch.arange(start,end,step=1,out=None)

返回一维张量，在[start,end)之间
torch.range(start,end,step=1,out=None)没什么区别，只不过数据包含end

print(torch.arange(1,89,9))#输出tensor([ 1, 10, 19, 28, 37, 46, 55, 64, 73, 82])

8、近似值 floor ceil round trunc frac

import torch

a = torch.tensor(3.14)
print(a.floor())  # tensor(3.)
print(a.ceil())  # tensor(4.)
print(a.trunc())  # tensor(3.)
print(a.frac())  # tensor(0.1400)

b = torch.tensor(3.499)  # 四舍五入 小于3.5 返回3
print(b.round())  # tensor(3.)

9、数据比较 eq(a,b) equal(a,a) ga(a,0)

import torch

a = torch.randn(4, 10)
print(a > 0)
print(torch.gt(a, 0))  # 效果是和a>0一致 可类比到> >= < <= != ==

b = torch.ones(2, 3)
c = torch.randn(2, 3)
b_c_eq = torch.eq(b, c)  # 判断b,c对应位置元素是否相等 相等的元素按位置返回1
print(b_c_eq)
b_c_equal = torch.equal(b, c)  # 判断b,c整体是否相等，相等返回True
print(b_c_equal)
a_a_equal = torch.equal(a, a)  # 返回True
print(a_a_equal)

10、torch.where

cond = torch.ByteTensor([[1, 1], [1, 0]])
print(cond.shape)
a = torch.tensor([[1, 2], [3, 4]])
print(a.shape)
b = torch.tensor([[5, 6], [7, 8]])
print(b.shape)

a_b_where = torch.where(cond, a, b)  # tensor([[1,2],[3,8]]) cond中是条件，为1的地方代表a中同位置元素
print(a_b_where)  # torch.where可以用GPU高度并行运算 自己用python写的话是CPU运行慢

二、索引 切片 连接 换位

2.1 torch.cat(tensors,dim=0,out=None)

第⼀个参数tensors是你想要连接的若⼲个张量，按你所传⼊的顺序进⾏连接，注意每⼀个张量需要形状相同，或者更准确的说，进⾏⾏连接的张量要求列数相同，进⾏列连接的张量要求⾏数相同

第⼆个参数dim表⽰维度，dim=0则表⽰按⾏连接，dim=1表⽰按列连接

a=torch.tensor([[1,2,3,4],[1,2,3,4]])
b=torch.tensor([[1,2,3,4,5],[1,2,3,4