Pytorch学习（四）

1、range和arange
创建1维张量
这里给出一段示例：

z = torch.range(1,10)
print(z,z.shape)

z = torch.arange(1,10)
print(z,z.shape)
1
2
3
4
5

torch.range(1,10)和 torch.arange(10)都产生了一个1维的数组，类型是 <class ‘torch.Tensor’>
二者不同的是
range产生的长度是10-1+1=10 是由1到10组成的1维张量，类型float
而arange产生的是10-1=9 由1-9组成的1维度张量 ，类型int
他们的输出分别是

需要注意的是，range第一个值不能缺省，arange可以，默认0，其输出就是：tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) torch.Size([10])

# z = torch.range(10)
# print(z,z.shape)
z = torch.arange(10)
print(z,z.shape)
1
2
3
4

二、repeat复制张量

z = torch.arange(10)
print(z,z.shape)
z = torch.arange(10).repeat(10,1)
print(z,z.shape)
1
2
3
4

z = torch.arange(10).repeat(10,2,1)

三、View：改变张量形状
View的机制顺序地拿数据填充形状，注意，定义的形状所需要的数据的数量必须=能提供的数据数量
比如：[10x10] 的张量可以.view(1,1,10,10) 也可以.view(5,20) 但是不可以.view(10,11) ，一旦数据数量不同，就会报数据无效的错误
代码示例

z = torch.arange(10)
print(z,z.shape)
z = torch.arange(10).repeat(10,1)
print(z,z.shape)
z = torch.arange(10).repeat(10,1).view(1,1,10,10)
print(z,z.shape)
1
2
3
4
5
6

z = torch.arange(10).view(1,10).repeat(10,2)
print(z,z.shape)
1
2

四、Concat和add操作
Concat：张量拼接，会扩充两个张量的维度，
add：张量相加，张量直接相加，不会扩充维度。

一般情况下，feature maps的结合有两种方法，一种是元素对应相加，简称add，另一种就是把特征图堆到一起来，简称concatenate。
假设feature map 1 的维度为B1∗ C1 ∗ H1 ∗ W1
feature map 2 的维度为B2 ∗ C2 ∗ H2 ∗ W2 ​

1）在add情况下，就是两个四维矩阵的按元素相加，那么这时候我们需要两个矩阵维度全部相等。并且相加后矩阵维度不变。
例如26 * 26 * 256和26 * 26 * 256相加，结果还是26 * 26 * 256

2）在concatenate情况下，我们把两个矩阵在某个维度叠加起来，这要求在这个连接的维度上可以不同，但是在其他维度上必须相等。叠加后，某个维度会增加，是两个矩阵上的某个维度相加。比如，我们在Channel这个维度上连接两个矩阵，那么新的矩阵维度是B2 ∗ （ C2 + C1 ）∗ H2 ∗ W2
例如26 * 26 * 256和26 * 26 * 512相加，结果是26 * 26 * 768