创建操作续3
torch.quantizeperchannel(input, scales, zero_points, axis, dtype) → Tensor
根据给定的scale和zero points，把每个通道量化，返回张量 参数
- input（Tensor）：需要量化的浮点张量
- scales（Tensor）：一维张量，给每个通道指定scale，大小是input.size(axis)
- zero_points（Tensor）：size是input.size（axis）
- dtype
例子
代码语言：javascript复制 >>> x = torch.tensor([[-1.0, 0.0], [1.0, 2.0]])
>>> torch.quantize_per_channel(x, torch.tensor([0.1, 0.01]), torch.tensor([10, 0]), 0, torch.quint8)
tensor([[-1., 0.],
[ 1., 2.]], size=(2, 2), dtype=torch.quint8,
quantization_scheme=torch.per_channel_affine,
scale=tensor([0.1000, 0.0100], dtype=torch.float64),
zero_point=tensor([10, 0]), axis=0)
>>> torch.quantize_per_channel(x, torch.tensor([0.1, 0.01]), torch.tensor([10, 0]), 0, torch.quint8).int_repr()
tensor([[ 0, 10],
[100, 200]], dtype=torch.uint8)索引，切片，连接和转换操作
torch.cat(tensors, dim=0, out=None) → Tensor
指定维度，连接给定的张量，张量需要有相同的形状，或者为空也可以 参数
- Tensors（Tensor序列）：需要连接的张量序列
- dim（int，可选参数）：张量连接的维度
- out：输出张量
例子
代码语言：javascript复制 >>> x = torch.randn(2, 3)
>>> x
tensor([[ 0.6580, -1.0969, -0.4614],
[-0.1034, -0.5790, 0.1497]])
>>> torch.cat((x, x, x), 0)
tensor([[ 0.6580, -1.0969, -0.4614],
[-0.1034, -0.5790, 0.1497],
[ 0.6580, -1.0969, -0.4614],
[-0.1034, -0.5790, 0.1497],
[ 0.6580, -1.0969, -0.4614],
[-0.1034, -0.5790, 0.1497]])
>>> torch.cat((x, x, x), 1)
tensor([[ 0.6580, -1.0969, -0.4614, 0.6580, -1.0969, -0.4614, 0.6580,
-1.0969, -0.4614],
[-0.1034, -0.5790, 0.1497, -0.1034, -0.5790, 0.1497, -0.1034,
-0.5790, 0.1497]])torch.chunk(input, chunks, dim=0) → List of Tensors
把张量分割成指定数量的块，每个块是输入张量的view 最后一个块如果张量沿着指定的维度不可分割成指定形状的块，那么最后一个块形状更小 参数
- input（Tensor）：需要分割的张量
- chunks（int）：需要返回的块数量
- dim（int）：沿分割的维度
torch.gather(input, dim, index, out=None, sparse_grad=False) → Tensor
沿给定的维度轴，收集值 对于一个三维张量：
代码语言：javascript复制 out[i][j][k] = input[index[i][j][k]][j][k] # 如果 dim == 0
out[i][j][k] = input[i][index[i][j][k]][k] # 如果 dim == 1
out[i][j][k] = input[i][j][index[i][j][k]] # 如果 dim == 2如果输入张量是n维，大小为(x0,x1,x2,...,xn-1)，指定的dim为i，那么index必须是n维张量，在y>=1的地方，其大小为(x0,x1,...,xn-1)，输出张量out则和index一样的size 参数
- input（Tensor）：源张量
- dim（int）：索引的轴
- index：需要收集元素的索引
- out
- sparse_grad（bool，可选参数）：如果是True，那么输入input是一个稀疏张量
例子
代码语言：javascript复制 >>> t = torch.tensor([[1,2],[3,4]])
>>> torch.gather(t, 1, torch.tensor([[0,0],[1,0]]))
tensor([[ 1, 1],
[ 4, 3]])torch.index_select(input, dim, index, out=None) → Tensor返回一个新的张量，沿input指定的dim索引，index是一个长张量 返回的张量和源张量维度相同，指定dim的这个维度和index一样长度，其他的维度和源张量一样 返回张量开辟新的内存，如果输出张量out的shape不适合，会自动纠正，并且必要时重新开辟内存 参数
- input（Tensor）：输入张量
- dim（int）：我们需要索引的维度
- index（LongTensor）：包含需要索引的序列
- out
例子
代码语言：javascript复制 >>> x = torch.randn(3, 4)
>>> x
tensor([[ 0.1427, 0.0231, -0.5414, -1.0009],
[-0.4664, 0.2647, -0.1228, -1.1068],
[-1.1734, -0.6571, 0.7230, -0.6004]])
>>> indices = torch.tensor([0, 2])
>>> torch.index_select(x, 0, indices)
tensor([[ 0.1427, 0.0231, -0.5414, -1.0009],
[-1.1734, -0.6571, 0.7230, -0.6004]])
>>> torch.index_select(x, 1, indices)
tensor([[ 0.1427, -0.5414],
[-0.4664, -0.1228],
[-1.1734, 0.7230]])
