当前位置：首页 > news >正文

深度学习2

news 2025/11/11 23:41:52

四、tensor常见操作

1、元素值

1.1、获取元素值

tensor.item() 返回tensor的元素；只能在一个元素值使用，多个报错，当存在多个元素值时需要使用索引进行获取到一个元素值时在使用 item。

1.2、元素值运算

tensor对元素值的运算：加、减、乘、除、取余、取整、幂

加减乘除：加法（+、add、add_），减法（-、sub、sub_），乘法（*、mul、mul_），除法（/、div、div_）

取整、取余、幂：取整（//）、取余（%）：与python 列表操作一致，每个元素都进行单独运算。

# 运算 加减乘除
# 带_的方法基本上都是修改原数据
import torch
torch.manual_seed(666) # 设置随机种子
data1 = torch.randint(1,10,(3,3))
data2 = torch.randint(1,10,(3,3))# 加法
print("+++++++++")
x1 = data1+100
print(x1)
x1 = data1.add(100)
print(x1)
data2.add_(200)
print(data2)# 减法
print("----------")
x1 = data1-100
print(x1)
x1 = data1.sub(100)
print(x1)
data2.sub_(200)
print(data2)# 乘法
print("**********")
x1 = data1*100
print(x1)
x1 = data1.mul(100)
print(x1)
data2.mul_(200)
print(data2)# 除法
print("/")
x1 = data1/100
print(x1)
data2 =data2.type(torch.float16) # 原数据为整数，需要转为浮点数
x1 = data1.div(100) 
print(x1)
data2.div_(200) 
print(data2)

2、阿达玛积

.dot 点积、* 乘法、mul 、mm、matmul、@

直接相乘或mul方法都是元素对于位置相乘（形状相同，或者一个为标量）

tensor相乘：data1.dot(data2) 点积用于一阶张量；

data1.mm(data2) 用于二阶张量；

data1@data2、data1.matmul(data2) 用于一阶及以上张量

import torch# 相乘   * mul()
x = torch.tensor([[1,2],[3,4]])
y = torch.tensor([[11,22],[33,44]])
x1 = x*y
print(x1)
x2 = x.mul(y)
print(x2)# dot matmul
x = torch.tensor([1,2])
y = torch.tensor([11,22])
x3 = x.dot(y)
print(x3)
x3 = x.matmul(y)
print(x3)
x4 = x@y
print(x4)# @ matmul mm
x = torch.tensor([[1,2],[3,4]])
y = torch.tensor([[11,22],[33,44]])
x4 = x@(y)
print(x4)
x5 = x.matmul(y)
print(x5)
x6 = x.mm(y)
print(x6)

3、索引操作

3.1、下标索引

和列表操作一样，根据元素下标获取对应元素

import torch
torch.manual_seed(666)
x = torch.randint(1,10,(2,3,3))
print(x)
print(x[1])
print(x[1,2])
print(x[1,2,2])
print(x[1,2,2].item())

3.2、切片索引

与列表操作一致

import torch
torch.manual_seed(666)
x = torch.randint(1,10,(2,3,3))
print(x[:5]) # 下标超出索引界限并不会报错，给出全部数据
print(x[:2,2])
print(x[:2,2:3])
print(x[:2,2:3,1])
print(x[:2,2:3,1:2]) 
print(x[:2,2:3,1:2][1])
print(x[:2,2:3,1:2][1].item())

3.3、布尔索引

根据得到True返回对应位置的元素，单独索引列时，将该列数据变成一维布尔值结果，根据结果True的下标再去原函数获取对应数据

import torch
torch.manual_seed(666)
x = torch.randint(1,10,(5,5))
print(x)
print(x[x==1])
print(x[x>5])

3.4、组合索引

将前面三种索引方式组合使用

多个下标索引：

下标索引使用列表时，分别取对于数据的多行或多列：

x[[1,2]] 取第二行和第三行的所有列；

x[,[1,2]] 取所有行的第二列和第三列;

当原数据的行和列都是列表形式时，数据一一对应：也就是从前往后是 1对1，1对n，n对1，n对n,不能n对m：

错误：x[[0,1],[0,1,2]]

正确应该是：x[1,[0,1]] 表示第二行的第一列和第二列；x[[0,1],1] 表示第一行和第二行的第二列；x[[0,1],[0,1]] 表示第一行的第一列和第二行的第二列数据

多个切片索引：维度保持不变,x[:2,:2]表示行取0-1，列取0-1的数据

布尔索引和切片索引：x[x[1]==1, :2]:将x中第二行等于1的数据下标返回作为行下标索引，切0-1列数据

import torch
torch.manual_seed(15)
x = torch.randint(2000,3000,(5,5))
print(x)
x1 = x[(x[:,0]%2==0) & (x[:,1]%2==1) & (x[:,2]%4==0) & (x[:,2]%100!=0),3:5]
print(x1)

4、拼接

cat 和 stack ；

dim 表示维度

torch.cat([tensor1,tnsor2],dim =0):将tensor1和ensor2拼接；dim=0表示按照行第一维度拼接，添加行，列不变；dim=1表示按照列拼接，行不变;dim=3表示行列格式不变，将元素加维。

import torch
torch.manual_seed(666)
x = torch.randint(1,10,(2,2,2))
y = torch.randint(10,20,(2,2,2))
print(x)
print(y)
z = torch.cat([x,y],dim = 0)
print(z)
z = torch.cat([x,y],dim = 1)
print(z)
z = torch.cat([x,y],dim = 2)
print(z)

torch.stack([tensor1,tensor2],dim=0):表示将tensor1和tensor2连接;dim=0表示将两个整体放入列表的第一个元素和第二个元素的方式连接；dim=1表示扩展维度后将两个tensor的行下标相同作为同一列的不同行；dim=2表示将原本同一行的数据变成同一列不同行，相当于把第一个列拆分放入下面最接近的行，将第二个同样位置放入第二列，扩展维度后两个tensor的对应位置元素相同作为同一行的不同列

import torch
torch.manual_seed(666)
x = torch.randint(1,10,(2,2))
y = torch.randint(10,20,(2,2))
print(x)
print(y)
z = torch.stack([x,y],dim = 0)
print(z)
z1 = torch.stack([x,y],dim = 1)
print(z1)
z2 = torch.stack([x,y],dim = 2)
print(z2)

5、形状操作

5.1、形状重组

reshape(size)、view(size)

reshape(size):与数组一致，改变tensor形状

import torch
# reshape
data = torch.randint(0, 10, (4, 3))
print(data)
# 1. 使用reshape改变形状
data1 = data.reshape(2, 2, 3)
print(data1)# 2. 使用-1表示自动计算
data2= data.reshape(2, -1)
print(data2)

view(size):将内存连续的tensor形状改变返回新的内存连续tensor，reshape内存不连续

import torchtensor = torch.tensor([[1, 2, 3], [4, 5, 6]])# 使用view进行变形操作
tensor = tensor.view(2, -1)
print(tensor)# 再次使用view操作
try:tensor = tensor.view(3, -1)print("可以使用view")
except:print("不可以使用view")# 进行转置
tensor = tensor.t()
print(tensor)# 转置后使用view操作
try:tensor.view(3, -1)print("可以使用view")
except:print("不可以使用view")

5.2、维度元素个数交换

transpose(下标)、permute(下标)

transpose(维度下标):将两个指定的维度交换

import torch# transpose
x = torch.tensor([[[1, 2, 3], [4, 5, 6]],[[11, 22, 33], [44, 55, 66]]])
print(x,x.shape)
x1 = x.transpose(1,0) # 在不改变其他维度下进行了转置
print(x1,x1.shape)

permute(维度下标)：多个下标，根据设置的顺序重新排列维度元素

import torch# permute
torch.manual_seed(666)
x = torch.randint(0,255,(2,3,4))
print(x,x.shape)
x2 = x.permute(2,0,1)
print(x2,x2.shape)
x3 = x.permute(2,1,0)
print(x3,x3.shape)

5.3、维度展开

flatten(start_dim,end_dim)

flatten(start_dim,end_dim)：默认从0到-1，所有维度都展开为一维；从start_dim维度开始，到end_dim-1维度结束展开

import torchx = torch.randint(0,255,(2,3,2))
print(x)
x1 = x.flatten()
print(x1)
x2 = x.flatten(start_dim=0,end_dim=1)
print(x2)

5.4、降维和升维

squeeze()和unsqueeze()

squeeze:无参数默认将自动将所有元素个数为1的维度展开，参数为整数，表示维度下标

import torchimport torch
# 升维和降维
x = torch.randint(0,255,(1,3,4,1))
print(x.shape) #  torch.Size([1, 3, 4, 1])# 元素个数为1的全部降维
x1= x.squeeze() 
print(x1.shape) # torch.Size([3, 4])# 第一个维度释放
x11= x.squeeze(0) #   torch.Size([3, 4, 1])
print(x11.shape)# 释放第二个维度操作失败，因为有多个元素
x11= x.squeeze(1) #  torch.Size([1, 3, 4, 1])
print(x11.shape)# 升维度，必须填写参数
x2 = x.unsqueeze(0) # torch.Size([1, 1, 3, 4, 1])
print(x2.shape)x2 = x.unsqueeze(2) # torch.Size([1, 3, 1, 4, 1])
print(x2.shape)

6、分割

chunk 和 split；参数都为（tensor,num,dim）

chunk 控制分割结果多少

split 控制分割数量大小

torch.chunk(x, 3,dim=0)：参数1为tnsor对象；参数2为分割成多少个结果（不够数量，则值保留原大小，比如5个内容分为3份(2，2，1)，2个内容分两份(1，1)）；参数3为dim，指定维度分隔

torch.split(x, 3,dim=0)：参数1为tnsor对象；参数2为分割数量大小（不够数量，则值保留原大小，比如设置值为3，在原说内容切割3个内容分块，不够数量就只有一块）；参数3为dim，指定维度分隔

import torchx = torch.tensor([[1, 2], [4, 5], [7, 8], [10, 11], [13, 14]])
# 分割成3块
print(torch.chunk(x, 3,dim=0))
print(torch.chunk(x, 3,dim=1))# 按照每块大小为4进行分割
print(torch.split(x, 4,dim=0))
print(torch.split(x, 4,dim=1))

7、广播

两个tensor 直接加法或减法运算时，在某个维度的元素个数相等；某个tensor维度元素个数全是1；全部维度元素个数相等

若全部相等：直接对应元素计算

若某个维度相等，某个tenser其余维度元素个数全是1：将其广播到另一个tensor维度个数大小（复制1那个内容数据）在进行计算

若某个tensoru维度元素个数全为1，则广播值对应tensor维度个数

import torch# 某些维度相等，剩下维度个数为1
data1d = torch.tensor([[[1,1,1,1]],[[1,1,1,1]]])
data2d = torch.tensor([[[11,11,11,11], [22,22,22,22]],[[11,11,11,11], [22,22,22,22]]])
print(data1d.shape, data2d.shape)
# 进行计算：会自动进行广播机制
print(data1d + data2d)# 某些维度相等，剩下维度个数为1
data1d = torch.tensor([[[1,1,1,1]]])
data2d = torch.tensor([[[11,11,11,11], [22,22,22,22]],[[11,11,11,11], [22,22,22,22]]])
print(data1d.shape, data2d.shape)
# 进行计算：会自动进行广播机制
print(data1d + data2d)# 一个rensor维度个数全为1
data1d = torch.tensor([[1]])
data2d = torch.tensor([[[11,11,11,11], [22,22,22,22]],[[11,11,11,11], [22,22,22,22]]])
print(data1d.shape, data2d.shape)
# 进行计算：会自动进行广播机制
print(data1d + data2d)

8、数据的函数运算

floor：向左取值；ceil：向右取值；round：四舍五入；trunc：保留整数；frac：保留小数；fix：向零方向取整数；abs：取绝对值；取余%：-3%2 结果为 1

import torch
data = torch.tensor([[1,2,-3.5],[4,5.1,6.5],[7.3,8,9.5],[10,11.8,-12.5]]
)
print(data)x1 = torch.floor(data) # 向左取值
print(x1)x1 = torch.ceil(data) # 向右取值
print(x1)# 使用python的round()函数
# 四舍六入，五看整数位数的奇偶性，奇进偶不进
x1 = torch.round(data) # 使用python的round()函数    
print(x1)x1 = torch.trunc(data) # 只保留整数部分   
print(x1)x1 = torch.frac(data) # 只保留小数部分  
print(x1)x1 = torch.fix(data) # 向零方向保留整数（整数操作floor，负数操作ceil）
print(x1)x1 = data%2  # 取余  整数减，负数加
print(x1)x1 = torch.abs(data)  # 取绝对值
print(x1)

9、张量保存与加载

save 和 load

import torch 
x = torch.tensor([1, 2 ,3])# save 保存到本地
torch.save(x, '../../data/tengsor_save.pt')# load 加载本地保存文件
x = torch.load("../../data/tengsor_save.pt",torch.device('cuda') )
print(x.device)

10、并行化

get_num_threads 查看；set_num_threads 设置

线程数设置过高可能会导致线程竞争，反而降低性能；设置过低可能会导致计算资源未得到充分利用；当使用 GPU 进行计算时，线程数设置对性能影响较小，因为 GPU 计算并不依赖于 CPU 线程数

import torch
print(torch.get_num_threads())torch.set_num_threads(4)
print(torch.get_num_threads())