torch cheatsheet

目录

参考网站：

tensor相关常用的函数：

loss func中的参数：

reducation替代reduce、size_average

参考网站：

•    主页 - PyTorch中文文档

tensor相关常用的函数：

torch.eye(n_train)	单位矩阵
torch.rand()、torch.randn()
torch.matmul()	矩阵相乘的函数，参考：torch.matmul()用法介绍_杂文集-CSDN博客_torch.matmul
torch.sort()
repeat_interleave( self: Tensor, repeats: _int, dim: Optional[_int]=None)	指定维度repeat tensor。 self: 传入的数据为tensor repeats: 复制的份数 dim: 要复制的self的维度，可设定为0/1/2.....

• tensor.unsqueeze(dim)，在第dim维度上增加一个维度
  • 返回新的tensor对象
  • dim为负数时，类似数组切割，即在最后添加维度，比如-2，倒数第二个维度

weights = torch.ones((2, 4)) * 0.1
print(weights.shape)
weights)
# -----------output-------------
torch.Size([2, 4])
tensor([[0.1000, 0.1000, 0.1000, 0.1000],
        [0.1000, 0.1000, 0.1000, 0.1000]])

# return new tensor
weights_1 = weights.unsqueeze(1)
print(weights_1.shape)
print(weights_1)
# -------output----------
torch.Size([2, 1, 4])
tensor([[[0.1000, 0.1000, 0.1000, 0.1000]],

        [[0.1000, 0.1000, 0.1000, 0.1000]]])


weights_2 = weights.unsqueeze(2)
print(weights_2.shape)
print(weights_2)
# ----------outout--------------
torch.Size([2, 4, 1])
tensor([[[0.1000],
         [0.1000],
         [0.1000],
         [0.1000]],

        [[0.1000],
         [0.1000],
         [0.1000],
         [0.1000]]])

# dim为负数
weights_2 = weights.unsqueeze(-2) # 这里类似于unnsqueeze(1),结果为 torch.Size([2, 1, 4])
weights_2 = weights.unsqueeze(-1) # 这里类似于unnsqueeze(2),结果为 torch.Size([2, 4, 1])

loss func中的参数：

• reducation替代reduce、size_average

        很多loss的函数都有reduce和size_average这两个参数，一般loss function的计算都是按batch去计算，每个batch都会有自己的loss结果，这两个参数就是用来控制最终返回的是batch loss矩阵，还是这些loss的某种计算。

• reduce=True, 表示最后batch loss要合并，最后返回的是个标量，如何计算根据size_average来设置。
  • size_average=True，返回的是loss的avg
  • size_average=False, 返回的是loss的sum
• reduce=False，表示最后batch loss不合并，直接返回向量形式的loss，当然size_average此时不起作用，失效。
• reduce和size_average 将被deprecated废弃，用reduction替代：
  • reduce=True, size_average=True 用 reduction='mean‘替代
  • reduce=True, size_average=False 用 reduction='sum'替代
  • reduce=False, 用 reduction='none' 替代
• 比如

# loss_func = torch.nn.MSELoss(reduce=True, size_average=True)
loss_func = torch.nn.MSELoss(reduction='mean')
input_tensor = torch.from_numpy(np.array([[1, 2], [3, 4]]))
target_tensor = torch.from_numpy(np.array([[2, 3], [3, 5]]))
loss = loss_func(torch.autograd.Variable(input_tensor).float(),
                 torch.autograd.Variable(target_tensor).float())
print(loss)
output: tensor(0.7500)

如果
loss_func = torch.nn.MSELoss(reduction='none')
output：
tensor([[1., 1.],
        [0., 1.]])