[Pytorch] 01-2 Tensor Manipulation 2

글은 모두를위한딥러닝 시즌2 https://github.com/deeplearningzerotoall/PyTorch 을 정리한 글입니다.

GitHub - deeplearningzerotoall/PyTorch: Deep Learning Zero to All - Pytorch

 

View (Reshape)

import numpy as np
import torch
 
t = np.array([[[0, 1, 2],
               [3, 4, 5]],
              
               [[6, 7, 8],
               [9, 10, 11]]])
 
ft = torch.FloatTensor(t)
print(ft.shape)
 
print(ft.view([-1, 3]))
print(ft.view([-1, 3]).shape)
 
print(ft.view([-1, 1, 3]))
print(ft.view([-1, 1, 3]).shape)
 

 

Squeeze

※ 해당 dim의 element의 개수가 1일 경우 해당 dim을 없애준다.

squeeze(dim = ? )과 같은 형태로 특정 차원을 지정하여 적용할 수 있다.

ft = torch.FloatTensor([[0], [1], [2]])
print(ft)
print(ft.shape)
 
print(ft.squeeze())
print(ft.squeeze().shape)

 

Unsqueeze

※ Unsqueeze: 원하는 dim의 차원을 1로 만들어준다. (squeeze와 다르게 반드시 원하는 차원을 지정해줘야 한다.

unsqueeze( dim= ?)

ft = torch.Tensor([0, 1, 2])
print(ft.shape)
 
print(ft.unsqueeze(0))
print(ft.unsqueeze(0).shape)
 
print(ft.view(1, -1))
print(ft.view(1, -1).shape)
 
print(ft.unsqueeze(1))
print(ft.unsqueeze(1).shape)
 
print(ft.unsqueeze(-1))
print(ft.unsqueeze(-1).shape)

 

Type Casting

※ 텐서의 타입을 바꿔주는 것.

※ bt= ByteTensor

lt = torch.LongTensor([1, 2, 3, 4])
print(lt)
 
print(lt.float())
 
bt = torch.ByteTensor([True, False, False, True])
print(bt)
 
print(bt.long())
print(bt.flat())

Concatenate

※ Concatenate : 두 텐서를 이어 붙이는 것.

x = torch.FloatTensor([[1, 2], [3, 4]])
y = torch.FloatTensor([[5, 6], [7, 8]])
print(torch.cat([x, y], dim=0))
print(torch.cat([x, y], dim=1))

Stacking

※ concatenate의 작업을 단축시켜 놓은 것 ( 3개 이상의 텐서를 쌓을 수 있다)

x = torch.FloatTensor([1, 4])
y = torch.FloatTensor([2, 5])
z = torch.FloatTensor([3, 6])
 
print(torch.stack([x, y, z]))
print(torch.stack([x, y, z], dim=1))
 
print(torch.cat([x.unsqueeze(0), y.unsqueeze(0), z.unsqueeze(0)], dim=0))

Ones and Zeros

※ 프로그래밍 시 cpu 텐서와 gpu 텐서를 동시에 더하거나 빼는 등의 연산을 수행하면 에러가 난다. 같은 디바이스의 텐서여야만 연산을 할 수 있다. 이런 경우 ones와 zeros를 사용하면 같은 디바이스의 텐서를 선언해준다.

x = torch.FloatTensor([[0, 1, 2], [2, 1, 0]])
print(x)
 
print(torch.ones_like(x))
print(torch.zeros_like(x))

In-place Operation

※ 같은 값을 곱하더라도 결과가 다르게 출력된다. In-place Operation은 연산 후 해당 값을 선언과 동시에 저장하여 새로운 텐서를 할당하지 않고도 연산을 수행할 수 있다. (Python의 경우 가비지 컬렉터가 효율적으로 설계돼 있어서 크게 신경 쓰지 않아도 된다.)

 

x = torch.FloatTensor([[1, 2], [3, 4]])
 
print(x.mul(2.))
print(x)
print(x.mul_(2.))
print(x)