作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing
本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119490985
目录
第1章 Tensor运算与操作概述
1.1 概述
PyTorch提供了大量的张量运算与操作，基本上可以对标Numpy多维数组的运算，以支持对张量的各种复杂的运算。
这些操作运算中大多是对数组中每个元素执行相同的函数运算，并获得每个元素函数运算的结果序列，这些序列生成一个新的同维度的数组。
https://www.runoob.com/numpy/numpy-linear-algebra.html
不同维度张量的维度方向标识
- 随着张量维度的增加，张量维度的标识dim的范围也在扩宽
- 在张量维度扩展的过程中，维度标识值（dim=n）的含义也在发生变化。
- dim=0总是指向张量的多维数组存储的最外层：[ ] [ ] [ ], 这与物理存储的标识是相反的。
1.2 运算分类
（1）算术运算：加、减、系数乘、系数除
（2）函数运算：sin，cos
（3）取整运算：上取整、下取整
（4）统计运算：最大值、最小值、均值
（5）比较运算：大于，等于，小于、排序
（6）线性代数运算：矩阵、点乘、叉乘
1.3 张量的操作与变换
（1）变换内容: 变换张量元素的值。
（1）变换长度：变换张量的某个方向的长度（即向量的维度或长度），长度可增加，可减少。
（3）变换维度：变化张量的维度，维度可以增加，可减少。
1.4?环境准备
import numpy as np
import torch
print("Hello World")
print(torch.__version__)
print(torch.cuda.is_available())1.5?张量的操作 - 变形（reshape）
所谓张量的变形，就是改变张量的形状。
形状包括：张量的维度，不同维度方向上的长度。
一般情况下，变形前后，张量的总元素的个数和内容不变。
变形相关的主要操作如下：
- reshape：这是常用的变形的操作，可以直接进行维度、长度的变形。
- t：只适合与2维/2阶张量，它把行和列进行转置，对调。
- transpose：交换两个维度dim方向上的数据，而张量的维度不变，但不同维度方向上的长度发生了变化。
- squeeze：去除掉在某个dim方向上，向量长度为1的维度，实际上会导致降维。
- unblind：直接去除某个维度。
- unsqueeze：在某个dim方向上增加一个维度
- flip：以某个维度方向为中心翻转向量。
- rot90：以某个维度方向为中心转账90度。
第2章 基本变形：reshape
1. 原理
2. 函数解读
功能：reshape函数将指定的张量变换成特定维数张量一种函数，且张量中元素个数不变，函数可以重新调整张量的维度数、不同维度方向的元素长度。
原型：reshape(input, chunks，shape)
输入参数:
input:?输入张量
shape：新的张量的形状（包括维度和维度方向的长度），需要注意的时，在变换的过程中，要确保张量元素的总数不变，即X*Y*M*N........的总数是不变的. 可以进行任意维度的变化，维度越多，每个维度方向上的长度可能就越短。
3. 代码示例
# reshape变形
print("源张量：")
a = torch.Tensor([[1,3,5,7,9,11],[2,4,6,8,10,12]])
print(a)
print(a.shape)
print("\n张量变形1")
b = a.reshape(1,12)
print(b)
print(b.shape)
print("\n张量变形2")
b = a.reshape(3,4)
print(b)
print(b.shape)
print("\n张量变形3")
b = a.reshape(2,2,3)
print(b)
print(b.shape)
print("\n源张量：")
print(a)
print(a.shape)输出：
源张量：
tensor([[ 1., 3., 5., 7., 9., 11.],
[ 2., 4., 6., 8., 10., 12.]])
torch.Size([2, 6])
张量变形1
tensor([[ 1., 3., 5., 7., 9., 11., 2., 4., 6., 8., 10., 12.]])
torch.Size([1, 12])
张量变形2
tensor([[ 1., 3., 5., 7.],
[ 9., 11., 2., 4.],
[ 6., 8., 10., 12.]])
torch.Size([3, 4])
张量变形3
tensor([[[ 1., 3., 5.],
[ 7., 9., 11.]],
[[ 2., 4., 6.],
[ 8., 10., 12.]]])
torch.Size([2, 2, 3])
源张量：
tensor([[ 1., 3., 5., 7., 9., 11.],
[ 2., 4., 6., 8., 10., 12.]])
torch.Size([2, 6])第3章 2维矩阵的行列置换：t
1. 原理
转置是针对二维矩阵，实现行列互换。
2. 函数解读
功能：
原型：reshape(input)
输入参数:
input:?输入张量
3. 代码示例
# reshape变形
print("源张量：")
a = torch.Tensor([[1,3,5],[2,4,6]])
print(a)
print(a.shape)
print("\n张量转置")
print(a.t())
print(torch.t(a))输出：
源张量：
tensor([[1., 3., 5.],
[2., 4., 6.]])
torch.Size([2, 3])
张量转置
tensor([[1., 2.],
[3., 4.],
[5., 6.]])
tensor([[1., 2.],
[3., 4.],
[5., 6.]])第4章 任意维度方向上的置换：transpose
1. 原理
2. 函数解读
功能：该操作，实现张量的任意两个维度方向上数据的互换，互换前后，张量的维度不变。
原型：transpose(input, dim0，dim1)
输入参数:
input:?输入张量
dim0:待互换的张量维度方向1
dim1:待互换的张量维度方向2
3. 代码示例
# transpose变形
print("源张量：")
a = torch.Tensor([[1,3,5,7,9,11],[2,4,6,8,10,12]])
print(a)
print(a.shape)
print("\n张量转置1：")
b = torch.transpose(a,dim0=0,dim1=1)
print(b)
print("\n张量reshape：")
b=a.reshape(1,2,6)
print(b)
print(b.shape)
print("\n张量转置2：")
c = torch.transpose(b,dim0=0,dim1=2)
print(c)
print(c.shape)
输出：
源张量：
tensor([[ 1., 3., 5., 7., 9., 11.],
[ 2., 4., 6., 8., 10., 12.]])
torch.Size([2, 6])
张量转置1：
tensor([[ 1., 2.],
[ 3., 4.],
[ 5., 6.],
[ 7., 8.],
[ 9., 10.],
[11., 12.]])
张量reshape：
tensor([[[ 1., 3., 5., 7., 9., 11.],
[ 2., 4., 6., 8., 10., 12.]]])
torch.Size([1, 2, 6])
张量转置2：
tensor([[[ 1.],
[ 2.]],
[[ 3.],
[ 4.]],
[[ 5.],
[ 6.]],
[[ 7.],
[ 8.]],
[[ 9.],
[10.]],
[[11.],
[12.]]])
torch.Size([6, 2, 1])
?
?
第5章 挤压掉向量长度为1的维度：squeeze
1. 原理
在多维张量中，在某个张量方向上，如果向量的长度为1，除了增加向量的维度，实际没有任何用处，squeeze就是要挤压那些向量长度为1的维度，进行降维。使得张量的维度更加的紧凑。如
1*4的二维张量：[ [1,2,3,4] ]? =>? 一维的向量[1,2,3,4]
1*1*4的三维张量：[ [ [1,2,3,4] ] ]? =>? 一维的向量[1,2,3,4]
2. 函数解读
功能：挤压掉向量长度为1的维度。
原型：squeeze(input)
输入参数:
input:?输入张量
3. 代码示例
# squeeze剔除张量维度方向上长度为1的维度
print("源张量：")
a = torch.Tensor([[1,3,5,7,9,11],[2,4,6,8,10,12]])
print(a)
print(a.shape)
print("\n张量reshape：")
b = a.reshape(2,1,6)
print(b)
print(b.shape)
print("\n张量squeeze：")
c = torch.squeeze(a)
print(c)
print(c.shape)
输出：
源张量：
tensor([[ 1., 3., 5., 7., 9., 11.],
[ 2., 4., 6., 8., 10., 12.]])
torch.Size([2, 6])
张量reshape：
tensor([[[ 1., 3., 5., 7., 9., 11.]],
[[ 2., 4., 6., 8., 10., 12.]]])
torch.Size([2, 1, 6])
张量squeeze：
tensor([[ 1., 3., 5., 7., 9., 11.],
[ 2., 4., 6., 8., 10., 12.]])
torch.Size([2, 6])第6章?直接增加某个维度：unsqueeze
1. 原理
2. 函数解读
功能：这是squeeze操作的反向操作。增加一个维度方向，但由于没有数据，新增的维度方向上，向量长度为1.
原型：unsqueeze(input, dim)
输入参数:
input:?输入张量
dim：新增维度的维度方向
3. 代码示例
# unsqueeze 新增一个维度方向，新增维度的向量长度为1
print("源张量：")
a = torch.Tensor([[1,3,5],[2,4,6]])
print(a)
print(a.shape)
print("\n张量unsqueeze：")
c = torch.unsqueeze(a,dim=0)
print(c)
print(c.shape)
print("\n张量unsqueeze：")
c = torch.unsqueeze(a,dim=1)
print(c)
print(c.shape)
print("\n张量unsqueeze：")
c = torch.unsqueeze(a,dim=2)
print(c)
print(c.shape)输出：
源张量：
tensor([[1., 3., 5.],
[2., 4., 6.]])
torch.Size([2, 3])
张量unsqueeze：
tensor([[[1., 3., 5.],
[2., 4., 6.]]])
torch.Size([1, 2, 3])
张量unsqueeze：
tensor([[[1., 3., 5.]],
[[2., 4., 6.]]])
torch.Size([2, 1, 3])
张量unsqueeze：
tensor([[[1.],
[3.],
[5.]],
[[2.],
[4.],
[6.]]])
torch.Size([2, 3, 1])?
第7章?直接在某个方向拆分张量：unbind
1. 原理
2. 函数解读
功能：在某个维度方向上，拆分张量，实现降维，一个张量被分解成多个张量，张量的总元素保持不变。注意的事，并不是删除张量的元素，而是拆分。
原型：unbind(input,dim)
输入参数:
input:?输入张量
dim：需要去除的维度方向
3. 代码示例
（1）案例1：
# unblind在某个维度方向上，解体张量,实现降维，
# 一个张量被分解成多个张量，张量的总元素保持不变
print("源张量：")
a = torch.Tensor([[1,3,5,7,9,11],[2,4,6,8,10,12]])
print(a)
print(a.shape)
print("\n降维1：")
b = torch.unbind(a,dim=0)
print(b)
print("\n降维2：")
b = torch.unbind(a,dim=1)
print(b)
输出：
源张量：
tensor([[ 1., 3., 5., 7., 9., 11.],
[ 2., 4., 6., 8., 10., 12.]])
torch.Size([2, 6])
降维1：
(tensor([ 1., 3., 5., 7., 9., 11.]), tensor([ 2., 4., 6., 8., 10., 12.]))
降维2：
(tensor([1., 2.]), tensor([3., 4.]), tensor([5., 6.]), tensor([7., 8.]), tensor([ 9., 10.]), tensor([11., 12.]))（2）案例2：
# unblind在某个维度方向上，解体张量,实现降维，
# 一个张量被分解成多个张量，张量的总元素保持不变
print("源张量：")
a = torch.Tensor([[1,3,5,7,9,11],[2,4,6,8,10,12]])
print(a)
print(a.shape)
print("\nreshape：")
a = a.reshape(2,2,3)
print(a)
print(a.shape)
print("\n降维1：")
b = torch.unbind(a,dim=0)
print(b[0])
print(b[1])
print("\n降维2：")
b = torch.unbind(a,dim=1)
print(b[0])
print(b[1])
print("\n降维3：")
b = torch.unbind(a,dim=2)
print(b[0])
print(b[1])
输出：
源张量：
tensor([[ 1., 3., 5., 7., 9., 11.],
[ 2., 4., 6., 8., 10., 12.]])
torch.Size([2, 6])
reshape：
tensor([[[ 1., 3., 5.],
[ 7., 9., 11.]],
[[ 2., 4., 6.],
[ 8., 10., 12.]]])
torch.Size([2, 2, 3])
降维1：
tensor([[ 1., 3., 5.],
[ 7., 9., 11.]])
tensor([[ 2., 4., 6.],
[ 8., 10., 12.]])
降维2：
tensor([[1., 3., 5.],
[2., 4., 6.]])
tensor([[ 7., 9., 11.],
[ 8., 10., 12.]])
降维3：
tensor([[1., 7.],
[2., 8.]])
tensor([[ 3., 9.],
[ 4., 10.]])第8章 以指定的dim方向进行维度旋转：flip
1. 原理
2. 函数解读
功能：对张量按照指定的维度方向进行对称交换（翻转）。
原型：flip(input, dims)
输入参数:
input:?输入张量
dims：向量维度方向列表[,], 这是一个列表，也就是说，可以依次进行多次不同方向的翻转。
3. 代码示例
# flip
print("源张量：")
a = torch.Tensor([[1,2,3],[4,5,6], [7,8,9]])
print(a)
print(a.shape)
print("\n张量 flip1：")
c = torch.flip(a,dims=[0])
print(c)
print(c.shape)
print("\n张量 flip2：")
c = torch.flip(a,dims=[0,1])
print(c)
print(c.shape)
输出：
源张量：
tensor([[1., 2., 3.],
[4., 5., 6.],
[7., 8., 9.]])
torch.Size([3, 3])
张量 flip1：
tensor([[7., 8., 9.],
[4., 5., 6.],
[1., 2., 3.]])
torch.Size([3, 3])
张量 flip2：
tensor([[9., 8., 7.],
[6., 5., 4.],
[3., 2., 1.]])
torch.Size([3, 3])备注：
dim=[0,1], 表示：
先按照维度=0的方向翻转，因此向量[1,2,3]与[7,8,9]进行了对调翻转。
再按照dim=1的方向翻转。因此向量[9,6,3]与[7,4,1]进行了对调翻转。
第9章?以指定的dim方向选择90°：rot90
1. 原理
2. 函数解读
功能：对张量按照指定的维度方向进行K次旋转90°。1次90度，2次180度，3次270度，4次360°，与原图像重合。旋转在二维图形时，应用广泛，也比较直观。
旋转与翻转的区别：
原型：rot90(input, k, dims)
输入参数:
input:?输入张量
k: 旋转的次数，每次旋转90度，k为正时，逆时针旋转，K为负数时，为顺时针旋转。
dims：旋转需要指定至少两个dim方向。
3. 代码示例
# rot90
print("源张量：")
a = torch.Tensor([[1,2,3],[4,5,6], [7,8,9]])
print(a)
print(a.shape)
print("\n张量 flip1：")
c = torch.rot90(a, -1, dims=[0,1])
print(c)
print(c.shape)
print("\n张量 flip2：")
c = torch.rot90(a,1, dims=[0,1])
print(c)
print(c.shape)输出：
源张量：
tensor([[1., 2., 3.],
[4., 5., 6.],
[7., 8., 9.]])
torch.Size([3, 3])
张量 flip1：
tensor([[7., 4., 1.],
[8., 5., 2.],
[9., 6., 3.]])
torch.Size([3, 3])
张量 flip2：
tensor([[3., 6., 9.],
[2., 5., 8.],
[1., 4., 7.]])
torch.Size([3, 3])
?作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing
本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119490985
