torch tensor操作_nn.cosinesimilarity

view

view（）用于改变tensor的形状

meshgrid

https://blog.csdn.net/weixin_39504171/article/details/106356977

torch.round()

四舍五入取整

gather

四维gather
https://stackoverflow.com/questions/53471716/index-pytorch-4d-tensor-by-values-in-2d-tensor
https://zhuanlan.zhihu.com/p/352877584

repeeat

https://blog.csdn.net/qq_34806812/article/details/89388210

clamp 截断

用来“截断”tensor，使每个元素都保持在min~max范围内

torch.clamp(input,min,max,out=None)
1

cat 合并

沿着第dim维度将seq中的tensor合并成一个tensor

torch.cat(seq,dim=0,out=None)
1

chunk 分块

torch.chunk(tensor,chunks,dim=0)

1
2

squeeze 压缩

对于tensor来说，可能存在某个维度上的大小为1，比如tensor a的shape为[2,1,1,2,2]，那么对它使用squeeze后，将压缩所有大小为0的维度使他的shape变为[2,2,2]。如果指定了dim则指处理该维度，比如dim=0，则保持不变，因为该维度大小不为1，反之指定dim=2时，由于该维度大小为1，则压缩为[2,1,2,2]

torch.squeeze(input,dim=None,out=None)
1

unsqueeze 反压缩

和squeeze相反,用来添加维度,必须指定dim，添加到第dim维上

torch.unsqueeze(input,dim=None,out=None)
1

permute 重排序

这个常用与调整图像tensor，如输入图像数据为(n,224,224,3)，
实际pytorch中网络需要接受(n,3,224,224)的图像，就可以使用permute 调整维度顺序。其中dim*接受改变后各维度顺序的参数，比如[0,3,1,2]即可将最后一个维度提到前面。

torch.tensor.permute(dim*)
1

pading 填充

使用nn.ConstantPad2d，前面tuple里的四个参数左右上下的填充大小，最后指定填充的值。

self.pad = nn.ConstantPad2d((0, 1, 0, 1), 0)
1

余弦相似度

利用pytorch提供的torch.nn.CosineSimilarity函数，但是该函数只接受shape相同的tensor，所以对于shape不同的tensor，需要通过unsqueeze和expand处理成相同的shape。

cos = torch.nn.CosineSimilarity(dim=2, eps=1e-6)

def cos_dist(x, y):
    # x: N x D
    # y: M x D
    n = x.size(0)
    m = y.size(0)
    d = x.size(1)
    assert d == y.size(1)

    x = x.unsqueeze(1).expand(n, m, d)
    y = y.unsqueeze(0).expand(n, m, d)
    

    return -cos(x,y)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16