torch.view vs torch.reshape
편하게 tensor의 모양을 바꿔주고 싶다면 torch.reshape를 사용한다. 메모리 사용량도 염려하고 두 텐서가 동일한 데이터를 공유하도록 하려면 torch.view를 사용한다.
https://sdr1982.tistory.com/317
tensor에 사용되는 method들
Tensor의 자료형
Tensor관련 함수와 메서드들
https://subinium.github.io/pytorch-Tensor-Variable/
torch.cat vs torch.stack (feat.np.concatenate)
이 둘은 합치는 기능과 더불어 tensor 리스트를 한번에 tensor로 만들 수 있다.
참고로 torch.cat과 np.concatenate는 같은 역할로 사용이 가능하다.
(1, 3252, 527)에 axis1에 1개를 앞쪽으로 붙여주고 싶다면
np.concatenate((1,1,527), 원본, axis=1)로 붙이면 된다.https://sanghyu.tistory.com/85
dataloader, collate_fn
iter는 dataloader를 iterable한 객체로 바꿔주고 next는 순서대로 내용물을 꺼내주는 역할을 한다.
iris_loader = DataLoader(iris, batch_size=105, shuffle=True)
next(iter(iris_loader))batch 값이 아래와 같이 tensor와 label의 조합이라면 이들을 따로 합쳐줄 기능이 collate function이다.
(tensor([-0.0533, -0.0542, -0.0393, ..., 0.1852, 0.1835, 0.1619]), 3)
def collate_func(batch):
audio = torch.stack([x[0]for x in batch])
label = torch.LongTensor([x[1] for x in batch])
return audio, label
dataloader = DataLoader(dataset=audioset, batch_size=64, shuffle=True, collate_fn=collate_func)torch.max
https://pytorch.org/docs/stable/generated/torch.max.html
지정한 dimension끼리 비교를 해서 가장 큰 숫자와 그 index를 남긴다. 아웃풋은 2개이므로 슬라이스를 해서 하나를 쓰면 된다.
torch.Size([64, 48000])짜리 데이터를 48 mel frequency spectrogram으로 만들고 transpose를 해주면 torch.Size([64, 12, 48])이 된다. 이를 48차원으로 10개의 클래스 분류를 위한 모델에 넣어주면 torch.Size([64, 12, 10])이 된다. 이를 최대값을 뽑아내는 차원 축소를 통해서 (64, 10)의 텐서로 바꿔주는 일을 하는 것이 torch.max이다.
out = torch.max(out_all, dim=1)[0]torch.set_printoptions(sci_mode=False)
e가 포함된 숫자를 소수점 4째자리까지 사용
https://jungnamgyu.tistory.com/53
torch.tensor torch.longtensor
보통, 계산을 하기 위한 데이터들에는 FloatTensor를 사용하고 Int형 숫자를 사용할 때는 LongTensor 사용하며, True/False 사용 시, ByteTensor를 사용합니다.
torch.repeat vs. torch.expand
repeat은 x.repeat(4,2,2)이면 dim=0에서 4번 dim=1에서 2번 dim=2에서 2번 반복해서 새로운 텐서를 만들어낸다. 만들어지는 것은 가장 마지막 차원에서부터 채워나가면 크게 어렵지 않다.
https://seducinghyeok.tistory.com/9
torch index slicing
a = torch.tensor([[1,2,3]])
b = torch.tensor([0.2])
a[b] = 3
