PyTorch
PyTorch是一个基于Python的科学包，用于使用一种称为张量的特殊数据类型执行高级操作。张量是具有规则形状和相同数据类型的数字、向量、矩阵或多维数组。PyTorch是NumPy包的另一种选择，它可以在GPU下使用。它也被用作进行深度学习研究的框架。
Pytorch中的5个非常有用的张量操作 - 图1
这5个操作是：

  • expand()
  • permute()
  • tolist()
  • narrow()
  • where()

    1、expand()

    将现有张量沿着值为1的维度扩展到新的维度。张量可以同时沿着任意一维或多维展开。如果不想沿着一个特定的维度展开张量，可以设置它的参数值为-1。
    注意：只能扩展单个维度 ```python

    Example 1 - working

    a=torch.tensor([[[1,2,3],[4,5,6]]]) a.size()

    torch.Size([1, 2, 3])

a.expand(2,2,3)

tensor([[[1, 2, 3], [4, 5, 6]],

  1.     [[1, 2, 3],
  2.      [4, 5, 6]]])
  1. 在这个例子中，张量的原始维数是[1,2,3]。它被扩展到[2,2,3]。
  2. <a name="zpMh1"></a>
  3. ## 2、`permute()`
  4. 这个函数返回一个张量的视图，原始张量的维数根据选择而改变。例如，如果原来的维数是[1,2,3]，可以将它改为[3,2,1]。该函数以所需的维数顺序作为参数。
  5. ```python
  6. # Example 1 - working
  7. a=torch.tensor([[[1,2,3],[4,5,6]]])
  8. a.size()
  9. >>torch.Size([1, 2, 3])
  11. a.permute(2,1,0).size()
  12. >>torch.Size([3, 2, 1])
  14. a.permute(2,1,0)
  15. >>tensor([[[1],
  16.          [4]],
  18.         [[2],
  19.          [5]],
  21.         [[3],
  22.          [6]]])

在这个例子中，原始张量的维度是[1,2,3]。使用permuting，将顺序设置为(2,1,0)，这意味着新的维度应该是[3,2,1]。如图所示，张量的新视图重新排列了数字，使得张量的维度为[3,2,1]。
当想要对不同维数的张量进行重新排序，或者用不同阶数的矩阵进行矩阵乘法时，可以使用这个函数。

3、tolist()

这个函数以Python数字、列表或嵌套列表的形式返回张量。在此之后，可以对它执行任何python逻辑和操作。

  1. # Example 1 - working
  2. a=torch.tensor([[1,2,3],[4,5,6]])
  3. a.tolist()
  4. >> [[1, 2, 3], [4, 5, 6]]

在这个例子中，张量以嵌套列表的形式返回。

4、narrow()

这个函数返回一个新的张量，这个张量是原来张量的缩小版。这个函数的参数是输入张量、要缩小的维数、起始索引和新张量沿该维数的长度。它返回从索引start到索引(start+length-1)中的元素。

  1. # Example 1 - working
  2. a=torch.tensor([[1,2,3,4],[5,6,7,8],[9,10,11,12],[14,15,16,17]])
  3. torch.narrow(a,1,2,2)
  4. >> tensor([[ 3,  4],
  5.         [ 7,  8],
  6.         [11, 12],
  7.         [16, 17]])

在这个例子中，张量要沿着第2维，也就是最里面的维度缩小。它接受列表中的元素，从索引2开始，到索引3(=2+2 -1，即start+length-1)。
Narrow()的工作原理类似于高级索引。例如，在一个2D张量中，使用[:，0:5]选择列0到5中的所有行。同样的，可以使用torch.narrow(1,0,5)。然而，在高维张量中，对于每个维度都使用range操作是很麻烦的。使用narrow()可以更快更方便地实现这一点。

5、where()

这个函数返回一个新的张量，其值在每个索引处都根据给定条件改变。这个函数的参数有：条件，第一个张量和第二个张量。在每个张量的值上检查条件(在条件中使用)，如果为真，就用第一个张量中相同位置的值代替，如果为假，就用第二个张量中相同位置的值代替。

  1. # Example 1 - working
  2. a=torch.tensor([[[1,2,3],[4,5,6]]]).to(torch.float32)
  3. b=torch.zeros(1,2,3)
  4. torch.where(a%2==0,b,a)
  5. >>tensor([[[1., 0., 3.],
  6.          [0., 5., 0.]]])

这里，它检查张量a的值是否是偶数。如果是，则用张量b中的值替换，b中的值都是0，否则还是和原来一样。
此函数可用于设定阈值。如果张量中的值大于或小于某一数值，它们可以很容易地被替换。