你好你好！
以下内容仅为当前认识，可能有不足之处，欢迎讨论！

---

---

torch.sum()

torch.sum()维度0，1，2。比如现在有$3\times 2\times 3$的张量，理解为3个$2\times 3$的矩阵。当dim=0，1，2时分别在哪个维度上相加¹？下面是具体的矩阵
$$\begin{gathered} [1,2,3] \\ [4,5,6] \\ [1,2,3] \\ [4,5,6] \\ [1,2,3] \\ [4,5,6] \end{gathered}$$
$$
\begin{bmatrix}
1&2&3
\end{bmatrix}

\begin{bmatrix}
4&5&6
\end{bmatrix}
\begin{bmatrix}
1&2&3
\end{bmatrix}
\begin{bmatrix}
4&5&6
\end{bmatrix}
$$

在哪个维度相加，那个维度就去掉。$3\times 2\times 3$分别就对应0，1，2三个维度。

• dim=0，最后计算结果就是$2\times 3$。（可视化后按照宽维度相加对应元素）
• dim=1，最后计算结果就是$3\times 3$。（可视化后按照高维度相加对应元素）
• dim=2，最后计算结果就是$3\times 2$。（可视化后按照长维度相加对应元素）

宽和高维度是正面看的，所以不用动。而长维度是横着看，所以最后元素需要向左旋转。（具体计算时理解的，我这么表述可能不清楚）

示例代码

import torch
c = torch.tensor([[[1,2,3],[4,5,6]],[[1,2,3],[4,5,6]],[[1,2,3],[4,5,6]]])
print(f" c size = {c.size()}")c1=torch.sum(c , dim=0)
print(f" c1 = {c1}\n c1 size = {c1.size()}")c2=torch.sum(c , dim=1)
print(f" c2 = {c2}\n c2 size = {c2.size()}")c3=torch.sum(c , dim=2)
print(f" c3 = {c3}\n c3 size = {c3.size()}")

运行结果如下

torch.argmax()

argmax函数参数dim=0表示从列获取最大值索引，dim=1从行获取最大值索引，dim=-1从最后一个维度获取最大值索引²。

举例

import torch
d = torch.tensor([[9,7,6],[4,8,2],[5,10,0]])
print(torch.argmax(d , dim=0))#结果应为9，10，6的所在列的索引==》0，2，0
print(torch.argmax(d , dim=1))#结果应为9，8，10所在行的索引==》0，1，1
print(torch.argmax(d , dim=-1))#结果应为9，8，10所在行的索引==》0，1，1

运行结果

torch.nn.Parameter

参数是张量子类，当与模块S一块使用时，有一个非常特殊的属性——当它们被赋予为模块属性时，它们会自动添加到它的参数列表中，并且会出现在参数迭代器中。分配张量没有像这样的效果，因为可能需要在模型中缓存一些临时状态，比如RNN的上一个隐藏状态。如果没有参数这样的类，那么这些临时类也会被注册。

torch.unbind

移除一个维度，返回元组（该元组包含给定维度上已经没有的所有切片）。

import torch
a = torch.ones((2,3,1))
print(f"a-size = {a.size()}")
e = torch.unbind(a)
print(f"e type is {type(e)} , e = {e}")
print(F"e[0].size() = {e[0].size()}")

运行结果

可以看到将第一个维度移除，默认dim=0，根据张量维度，可以将dim设置为[0,(dim-1)]。

如果原先张量是$3\times 3$，移除第一个维度后，就变为3个$1\times 3$的张量。

torch.optim.Adam()[^adam]

torch.optim是一个实现了多种优化算法的包，大多数通用的方法都已支持，提供了丰富的接口调用。要使用优化算法，需先构造一个优化器对象Optimizer，用来保存当前状态，并能够根据计算得到的梯度来更新参数。

方式1：给定一个可进行迭代优化的包含所有参数的列表（所有参数必须是变量）。然后可以指定程序优化特定的选项，例如学习速率，权重衰减等。

import torchoptimizer = optim.SGD(model.parameters() , lr =0.01 , momentum = 0.9 )
#model.parameters()表示模型的所有参数，lr是学习率，momentum还不知道是啥。optimizer = optim.Adam([var1 , var2] , lr = 0.0001)

方式2：optimizer支持指定每个参数选项，只需要传递一个可以迭代的dict来替换先前可以迭代的variable。dict的每一项都可以定义为一个单独的参数组（我理解的是字典），参数组用params键来包含属于它的参数列表。其他键应该与optimizer接受的关键字参数相匹配，才能用此组的优化选项。

optim.SGD([
{'params':model.base.parameters()},
{'params':model.classifier.parameters() , 'lr':1e-3}
] , lr = 1e-2 , momentum = 0.9)

如上，model.base.parameters()将使用lr = 1e-2的学习率，model.classifier.parameters()将使用1e-3的学习率，0.9的momentum将作用于所有的parameters。

优化步骤：

优化器实现了step()方法对所有参数进行更新，有两种调用方法。

①optimizer.step()这是大多数优化器都支持的简化版本，使用backward()方法计算梯度时会调用它。

for input , target in dataset:optimizer.zero_grad()output = model(input)loss = loss_fn(output , target)loss.backward()optimizer.step()

这只是使用方法，但优化器的具体原理还没搞懂。

torch.cat

连接相同维度的张量。举例

a4=torch.tensor([[1., 1., 1.],[1., 1., 1.]])
b1=torch.tensor([[3., 3., 3.],[3., 3., 3.]])print(F"行（维度为0）连接结果{torch.cat((a4,b1) , dim=0)}")
print("="*100)
print(F"列（维度为1）连接结果{torch.cat((a4,b1),dim =1)}")

torch.unsqueeze()

在原有维度上加个维度。dim可以理解为变换后的位置为1

举例

a4=torch.tensor([[1., 1., 1.],[1., 1., 1.]])
b1=torch.tensor([[3., 3., 3.],[3., 3., 3.]])a4_new = torch.unsqueeze(a4 , dim = 0)
#在新的维度第0个位置为1，所以结果应为1×2×3
b1_new = torch.unsqueeze(b1 , dim = 1)
#在新的维度第1个位置为1，所以结果应为2×1×3
ab_new = torch.unsqueeze(a4 , dim = 2)
#在新的维度第2个位置为1，所以结果应为2×3×1
print(F"\t 0维上新加：{a4_new} \n\t a4_new形状为{a4_new.size()}")
print(F"\n")
print(F"\t 1维上新加：{b1_new} \n\t b1_new形状为{b1_new.size()}")
print(f"\n")
print(F"\t 2维上新加：{ab_new} \n\t ab_new形状为{ab_new.size()}")

结果

dataset & dataloader 详解

https://blog.csdn.net/loveliuzz/article/details/108756253

torch.normalize()[^l2]

L2范数归一化

向量$x(x_1,x_2,...,x_n)$的L2范数定义为：$\mathrm{norm}(x)=\sqrt{x_1^2+x_2^2+...+x_n^2}$。要使得x归一化到单位L2范数，就是建立一个$x$到$x^{{}^{\prime }}$的映射，使得$x^{{}^{\prime }}$的L2范数为1。

即$x_i^{{}^{\prime }}=\frac{x_i}{\mathrm{norm}(x)}$。

举例

x = torch.tensor([[1,2,4] , [3,5,6] , [9, 3, 1]] , dtyp= torch.float)
y = torch.nn.functional.normalize(x , dim = 0)
z = torch.nn.functional.normalize(x , dim = 1)
print(f"y = {y}")
print(f"z = {z}")

dim = 0 ，从列计算。

dim = 1，从行计算。

为什么要进行归一化？归一化有什么好处？

可以提高深度学习模型收敛速度，如果不进行归一化，假设模型接受的输入向量有两个维度x,y，其中x取值[0,1000]，y取值[0,10]。这样数据在进行梯度下降计算时梯度对应一个很扁的椭圆形，很容易在垂直等高线的方向上走大量的之字形路线，迭代量大且迭代次数多，造成模型收敛慢[^why l2]。

损失函数是自己写的，既然是自己写的，那怎么求导呢？那怎么反向传播呢？

有训练次数，有自己的函数指导

torch.eye

生成一个二维对角矩阵，参数是$n\times m$。

举例

mask = torch.eye((3) ,dtype = torch.bool )
print(mask)

结果👇

torch.mm

torch.mm(input , mat2 , * , out = None)-> Tensor

两个矩阵相乘

举例

a = torch.tensor([[1,2,3],[4,5,6]])
b = torch.tensor([[1,2],[3,4],[5,6]])
c = torch.mm(a , b)
print(f"\t c={c}")

---

torch.view

输入：形状，不知道的维度可以用-1。

返回：一个数据与自张量相同但形状不同的新张量

举例

x = torch.randn(4,4)
print(f" x = {x} \n x.size() = {x.size()}")
y = x.view(-1)
z = x.view(16)
q = x.view(2,-1)
p = x.view(-1,8)
print(f" y = {y} \n y.size() = {y.size()}")
print(f" z = {z} \n z.size() = {z.size()}")
print(f" q = {q} \n q.size() = {q.size()}")
print(f" p = {p} \n p.size() = {p.size()}")

运行结果

torch.masked_select

输入参数：输入张量，布尔值掩码

返回：一个新的1-D张量，该张量根据布尔值掩码对输入张量进行判定，为True则记录，返回之。

举例

x = torch.tensor([[-1,2,-4],[2,-5,8],[-3,6,-9]])
print(f"x = {x}")
print(f"x.size() = {x.size()}")mask = x.ge(0.5)
print(f"mask = {mask}")
print(f"mask.size() = {mask.size()}")y = torch.masked_select(x , mask)
print(f"y = {y}")
print(f"y.size() = y.size()")

运行结果

因为数据总量是不同的，所以不能总是按照自己手动算的结果作为最终的形状输入。这时就需要用到view函数。（2024年1月3日）

torch.max

返回输入张量所有元素的最大值。

举例

x = torch.randn([3,3])
print(f"\tx = {x}")
max = torch.max(x)
print(F"\tmax = {max}")
max2 = x.max(0)
print(f"\tmax2 = {max2}")
max3 = x.max(1)
print(F"\tmax3 = {max3}")

维度为0返回列的最大值，及所在列元素位置的索引

维度为1返回行的最大值，及所在行元素位置的索引

---

torch.expand()[^expand]

返回新的视图，其中单维尺寸扩展到更大的尺寸。如果参数是-1意味着不更改该维度。

举例，现在有$2\times 3$的张量矩阵，现在想将它扩展为$4\times 4$的矩阵。显示不可行，需要倍数关系。

a = torch.tensor([[1,3,5],[2,4,5]])
b = a.expand(4,4)
c = a.expand(-1,4)
print(f"\t a = {a}")
print(f"\t b = {b}")
print(f"\t c = {c}")

那现在$2\times 3\to 4\times 6$。

a = torch.tensor([[1,3,5],[2,4,5]])
b = a.expand(4,6)
c = a.expand(-1,6)
print(f"\t a = {a}")
print(f"\t b = {b}")
print(f"\t c = {c}")

也不行，只能由原先维度为1所在维度进行扩张。其他维度不知道的话可以写成-1。

a = torch.tensor([[1,3,4]])
print(f"\t size of a = {a.size()}\n")
b = a.expand(6,-1)
print(f"\t size of b = {b.size()}\n\t b = {b}")

torch.ndimension()

得到这个矩阵的维度是什么

a = torch.ones((1,2,3))
b = torch.tensor([1,3,3,5])
c = torch.tensor([[1,2,3,4],[5,7,5,3]])
a_dim = a.ndimension()
b_dim = b.ndimension()
c_dim = c.ndimension()
print(f"\t a的形状是{a.size()}，a的维度是{a_dim}")
print(F"\t b的形状是{b.size()}，b的维度是{b_dim}")
print(F"\t c的形状是{c.size()}，c的维度是{c_dim}")

torch.tensor.index_add_()[^index_add]

作用

参数

返回值

torch.to_dense()&sparse_coo_tensor()

作用

参数

返回值

torch.range&arange

---

---

以上是我的学习笔记，希望对你有所帮助！
如有不当之处欢迎指出！谢谢！

---

1. https://mathpretty.com/12065.html#%E5%AF%B9%E4%BA%8E%E4%B8%89%E7%BB%B4%E5%90%91%E9%87%8F ↩︎

2. https://blog.csdn.net/weixin_42494287/article/details/92797061 ↩︎