1. torch.renorm(input, p, dim, maxnorm, out=None) → Tensor

Returns a tensor where each sub-tensor of input along dimension dim is normalized such that the p-norm of the sub-tensor is lower than the value maxnorm。

解释：返回一个张量，包含规范化后的各个子张量，使得沿着dim维划分的各子张量的p范数小于maxnorm。

>>> x = torch.Tensor([[1,2,3]])
>>> torch.renorm(x,2,0,1)

tensor([[ 0.2673,  0.5345,  0.8018]])

2. torch. scatter_(dim, index, src) → Tensor

将src中的所有值按照index确定的索引写入本tensor中。其中索引是根据给定的dimension，dim按照gather()描述的规则来确定。

注意，index的值必须是在0到(self.size(dim)-1)之间，

参数：

input (Tensor)-源tensor
dim (int)-索引的轴向
index (LongTensor)-散射元素的索引指数
src (Tensor or float)-散射的源元素

 >>> x = torch.rand(2, 5)

 >>> x

  0.4319  0.6500  0.4080  0.8760  0.2355

  0.2609  0.4711  0.8486  0.8573  0.1029

 [torch.FloatTensor of size 2x5]

 >>> torch.zeros(3, 5).scatter_(0, torch.LongTensor([[0, 1, 2, 0, 0], [2, 0, 0, 1, 2]]), x)    #将 x 按照格式写入新的Tensor里

  0.4319  0.4711  0.8486  0.8760  0.2355

  0.0000  0.6500  0.0000  0.8573  0.0000

  0.2609  0.0000  0.4080  0.0000  0.1029

 [torch.FloatTensor of size 3x5]

 >>> z = torch.zeros(2, 4).scatter_(1, torch.LongTensor([[2], [3]]), 1.23)

 >>> z

  0.0000  0.0000  1.2300  0.0000

  0.0000  0.0000  0.0000  1.2300

 [torch.FloatTensor of size 2x4]

3. torch.gather(input, dim, index, out=None) → Tensor

沿给定轴dim，将输入索引张量index指定位置的值进行聚合。

参数:

input (Tensor) – 源张量
dim (int) – 索引的轴
index (LongTensor) – 聚合元素的下标
out (Tensor, optional) – 目标张量

>>> t = torch.Tensor([[1,2],[3,4]])

>>> torch.gather(t, 1, torch.LongTensor([[0,0],[1,0]]))

 1  1

 4  3

[torch.FloatTensor of size 2x2]

or：

>>> s=torch.randn(3,6)

>>> s

tensor([[-0.4857, -0.0982, -0.6532, -1.0273, -0.9205, -0.7440],

        [-0.6890, -0.3474, -1.4337, -0.3511, -0.2443, -0.6398],

        [ 1.2902,  1.1210,  1.7374,  0.0902, -0.4524, -0.6898]])

>>> s.gather(1,torch.LongTensor([[1,2,1],[1,2,3],[1,2,3]]))

tensor([[-0.0982, -0.6532, -0.0982],

        [-0.3474, -1.4337, -0.3511],

        [ 1.1210,  1.7374,  0.0902]])

4. pytorch改变维度的操作

巴特西

Pytorch 常用函数

Pytorch Tensor维度变换

最新文章

热门文章