Python|索引，切片，连接和转换操作[6]
索引，切片，连接和转换操作续
torch.narrow(input, dim, start, length) → Tensor
根据指定的维度，维度的start和长度，返回一个新的张量 参数
- input（Tensor）
- dim（int）
- start（int）：开始的维度
- length（int）：到结束维度的距离
例子
>>> x = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
>>> torch.narrow(x, 0, 0, 2)
tensor([[ 1, 2, 3],
[ 4, 5, 6]])
>>> torch.narrow(x, 1, 1, 2)
tensor([[ 2, 3],
[ 5, 6],
[ 8, 9]])torch.reshape(input,shape) -> Tensor
改变张量的形状，如果可以，会返回一个input的view。否则，会复制一份， 参数
- input（Tensor）
- shape（tuple）：新的形状
例子
>>> a = torch.arange(4.)
>>> torch.reshape(a, (2, 2))
tensor([[ 0., 1.],
[ 2., 3.]])
>>> b = torch.tensor([[0, 1], [2, 3]])
>>> torch.reshape(b, (-1,))
tensor([ 0, 1, 2, 3])torch.split(tensor, splitsizeor_sections, dim=0)
把张量分割为块， 如果splitsizeorsections是整数类型，那么张量会被分成相同形状的块，最后一个块可能会小一些。如果splitsizeorsections是list，那么张量会分成该list长度的块数，每个块数形状由这个list决定 参数
- tensor
- splitsizeor_sections（int，or list）：
- dim：沿着分割的维度
torch.squeeze(input, dim=None, out=None) → Tensor
返回一个张量，移除所有size为1的维度 举个例子，比如输入的形状是 (A×1×B×C×1×D)，那么除了之后就是(A×B×C×D) 如果dim指定，那么只会操作指定的dim。 返回的张量与初始张量的共享内存 参数
- input（Tensor）
- dim（int，可选参数）
- out
例子
>>> x = torch.zeros(2, 1, 2, 1, 2)
>>> x.size()
torch.Size([2, 1, 2, 1, 2])
>>> y = torch.squeeze(x)
>>> y.size()
torch.Size([2, 2, 2])
>>> y = torch.squeeze(x, 0)
>>> y.size()
torch.Size([2, 1, 2, 1, 2])
>>> y = torch.squeeze(x, 1)
>>> y.size()
torch.Size([2, 2, 1, 2])torch.stack(tensors, dim=0, out=None) → Tensor
沿着一个新维度连接张量，张量的形状需要一样 参数
- tensors（张量列表）
- dim（int）：插入的维度，必须在0和连接张量的维度之间
- out
本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。
原始发表：2020-05-25，如有侵权请联系 cloudcommunity@tencent.com 删除
本文分享自 Python与MySQL 微信公众号，前往查看
如有侵权，请联系 cloudcommunity@tencent.com 删除。
本文参与 腾讯云自媒体同步曝光计划 ，欢迎热爱写作的你一起参与！
评论
登录后参与评论
推荐阅读
目录
腾讯云开发者
