pytorch基础操作（1）

torch.ones

torch.ones(*sizes, out=None) → Tensor
1

返回一个全为1 的张量，形状由可变参数sizes定义

torch.ones(2, 3)

#output
 1  1  1
 1  1  1
[torch.FloatTensor of size 2x3]
1
2
3
4
5
6

torch.arange

方式1

torch.arange(start, end, step=1, out=None) → Tensor
1

返回一个1维张量，长度为 floor((end−start)/step)。包含从start到end，以step为步长的一组序列值(默认步长为1)。

参数:

• start (float) – 序列的起始点
• end (float) – 序列的终止点
• step (float) – 相邻点的间隔大小
• out (Tensor, optional) – 结果张量

方式2

torch.arange(floor)
1

举一个yolov5的例子

ai = torch.arange(na, device=targets.device).float().view(na, 1).repeat(1, nt)
1

torch.zeros_like()

torch.cat

torch.cat(inputs, dimension=0) → Tensor
1

在给定维度上对输入的张量序列seq 进行连接操作。

dimension=0：竖直方向上
dimension=1：水平方向

view

返回一个有相同数据但size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size。

repeat(*sizes)

沿着指定的维度重复tensor。 不同于expand()，本函数复制的是tensor中的数据。

参数：

• *sizes (torch.Size ot int…)-沿着每一维重复的次数

多层切片操作

多层切片操作经常把我搞昏迷，也记录一下

>>>a[:8][2:5][-1:]
>>> [4]
相当于：
a[:8]=[0, 1, 2, 3, 4, 5, 6, 7]
a[:8][2:5]= [2, 3, 4]
a[:8][2:5][-1:] = [4]
理论上可无限次多层切片操作，只要上一次返回的是非空可切片对象即可。
1
2
3
4
5
6
7

python [ : , : ] [ : ,None , : ] 等形式的意义