搭建深度学习网络时常用的一些pytorch函数：view(),softmax(),FloatTensor(),zero_(),scatter_(),gather(),sum(),clamp(),log

 

目录

torch.view() 

torch.nn.functional.softmax()

torch.FloatTensor()

torch.Tensor.zero_()

torch.Tensor.scatter_()

torch.gather()

torch.sum()

torch.clamp()

torch.log()

---

参考pytorch说明文档：torch文档

torch.view() 

返回一个数据相同但大小不同的tensor。 返回的tensor必须有与原tensor相同的数据和相同数目的元素，但可以有不同的shape。一个tensor必须是连续的才能被查看。如果参数出现-1，意思就是让电脑自动计算这个位置上的大小。

例子：

>>> x = torch.randn(4, 4)
>>> x.size()
torch.Size([4, 4])、

>>> y = x.view(16)
>>> y.size()
torch.Size([16])

>>> z = x.view(-1, 8)  # the size -1 is inferred from other dimensions
>>> z.size()
torch.Size([2, 8])

那么下面这行代码的含义就是将target变成n x 1的张量形式， .long()表示将数字或字符串转换为一个长整型。

target = target.view(-1, 1).long()

torch.nn.functional.softmax()

torch.nn.functional.softmax(input, dim=None, _stacklevel=3, dtype=None)

 softmax的定义：

 它应用于沿dim的所有slices，并将重新缩放它们，使元素位于[0, 1]范围内并且总和为1。

参数：

• 输入(张量) - input

• dim (int) – 计算 softmax 的维度。

• dtype (optional) -- 返回张量的所需数据类型。如果有指定，则在执行操作之前将输入张量转换为dtype。这对于防止数据类型溢出很有用。默认值：None。