✏️인덱싱

x = torch.Tensor([[1,2],
                 [3,4]])
print(x)
print('x[0,0] :', x[0,0])
print('x[0,1] :', x[0,1])
print('x[1,0] :', x[1,0])
print('x[1,1] :',x[1,1])

print('x[:,0] :', x[:,0])
print('x[:,1] :',x[:,1])

print('x[0,:] :',x[0,:])
print('x[1,:] :',x[1,:])

결과값

tensor([[1., 2.],
        [3., 4.]])
x[0,0] : tensor(1.)
x[0,1] : tensor(2.)
x[1,0] : tensor(3.)
x[1,1] : tensor(4.)
x[:,0] : tensor([1., 3.])
x[:,1] : tensor([2., 4.])
x[0,:] : tensor([1., 2.])
x[1,:] : tensor([3., 4.])

✏️ view

• 기본적으로 변경 전과 후에 텐서 안의 원소 개수가 유지되어야 함
• -1로 설정되면 계산을 통해 해당 크기값을 유추

x = torch.randn(4,5)
print(x)
y = x.view(20) # flat하게 20으로 펼쳐줌
print(y)
z = x.view(5,-1) # 5개의 묶음으로, -1로써 알아서 추려줘!
print(z)

결과값

tensor([[ 0.9239,  0.3347, -0.1050, -0.2384, -1.2842],
        [ 0.7395,  0.6810,  1.6807,  1.1335, -0.6835],
        [ 0.7531, -0.0191,  1.1821, -2.7346,  0.4662],
        [-0.0083, -0.2901,  0.7707, -0.1552,  1.3053]])
tensor([ 0.9239,  0.3347, -0.1050, -0.2384, -1.2842,  0.7395,  0.6810,  1.6807,
         1.1335, -0.6835,  0.7531, -0.0191,  1.1821, -2.7346,  0.4662, -0.0083,
        -0.2901,  0.7707, -0.1552,  1.3053])
tensor([[ 0.9239,  0.3347, -0.1050, -0.2384],
        [-1.2842,  0.7395,  0.6810,  1.6807],
        [ 1.1335, -0.6835,  0.7531, -0.0191],
        [ 1.1821, -2.7346,  0.4662, -0.0083],
        [-0.2901,  0.7707, -0.1552,  1.3053]])

✏️ squeeze

• 차원을 축소(제거)

tensor = torch.rand(1,3,3)
print(tensor)
print(tensor.shape) 

결과값

tensor([[[0.6422, 0.0997, 0.9823],
         [0.9551, 0.9470, 0.0162],
         [0.7225, 0.4936, 0.2203]]])
torch.Size([1, 3, 3]) # torch.Size가 ([1,3,3])이라는 것을 알 수 있음.

tensor.squeeze() 사용

t = tensor.squeeze()
print(t)
print(t.shape)

결과값

tensor([[0.6422, 0.0997, 0.9823],
        [0.9551, 0.9470, 0.0162],
        [0.7225, 0.4936, 0.2203]])
torch.Size([3, 3]) # torch.size가 ([3,3])으로 변한 것을 알 수 있음.

✏️ unsqueeze

• 차원을 증가(생성)

t = torch.randn(3,3)
print(t)
print(t.shape)

결과값

tensor([[ 0.7461,  0.8344,  0.3284],
        [-0.5651,  1.9802, -0.7310],
        [-0.8895,  0.9181, -1.2999]])
torch.Size([3, 3])

torch.unsqueeze 사용

tensor = t.unsqueeze(dim=0) # 0차원에 차수를 증가시킴. 맨앞에 1이붙음.
print(tensor)
print(tensor.shape)

결과값

tensor([[[ 0.7461,  0.8344,  0.3284],
         [-0.5651,  1.9802, -0.7310],
         [-0.8895,  0.9181, -1.2999]]])
torch.Size([1, 3, 3])

tensor = t.unsqueeze(dim=2) # 0,1,2차원에 차수를 증가시킴. 맨 뒤에 1이붙음.
print(tensor)
print(tensor.shape)

결과값

tensor([[[ 0.7461],
         [ 0.8344],
         [ 0.3284]],
        [[-0.5651],
         [ 1.9802],
         [-0.7310]],
        [[-0.8895],
         [ 0.9181],
         [-1.2999]]])
torch.Size([3, 3, 1])

✏️ stack

• 텐서간 결합

x = torch.FloatTensor([1,4])
print(x)
y = torch.FloatTensor([2,5])
print(y)
z = torch.FloatTensor([3,6])
print(z)

print(torch.stack([x,y,z]))

결과값

tensor([1., 4.])
tensor([2., 5.])
tensor([3., 6.])
tensor([[1., 4.],
        [2., 5.],
        [3., 6.]])

✏️ cat

• 텐서를 결합하는 메소드
• stack과 유사하지만 쌓을 dim이 존재해야함
• 해당 차원을 늘려준 후 결합

dim=0 기준

a = torch.randn(1,3,3)
print(a)
b = torch.randn(1,3,3)
print(b)
c = torch.cat((a,b), dim = 0) # 0차원을 기준으로 concat 해줘 - 그래서 맨 앞자리끼리 더해져서 1 +1 = 2
print(c)
print(c.size())

결과값

tensor([[[ 0.4152, -1.5082, -0.0938],
         [-0.1822,  0.2784,  0.9010],
         [-0.1542,  0.6093, -0.7067]]])
tensor([[[ 0.2072,  0.6136,  0.0738],
         [ 1.5876,  0.1681, -0.4224],
         [ 0.6551,  1.8578,  0.5681]]])
tensor([[[ 0.4152, -1.5082, -0.0938],
         [-0.1822,  0.2784,  0.9010],
         [-0.1542,  0.6093, -0.7067]],
        [[ 0.2072,  0.6136,  0.0738],
         [ 1.5876,  0.1681, -0.4224],
         [ 0.6551,  1.8578,  0.5681]]])
torch.Size([2, 3, 3])

dim= 1 기준

a = torch.randn(1,3,3)
print(a)
b = torch.randn(1,3,3)
print(b)
c = torch.cat((a,b), dim = 1) # 0차원을 기준으로 concat 해줘 - 그래서 맨 앞자리끼리 더해져서 1 +1 = 2
print(c)
print(c.size())

결과값

tensor([[[-1.1485, -0.4205,  0.0642],
         [-0.0410, -1.2241, -0.8416],
         [-0.5100, -1.0091,  1.9121]]])
tensor([[[ 0.9528,  1.0127, -1.1162],
         [ 0.3664,  0.2822,  0.4986],
         [-1.3757,  0.4239, -0.1506]]])
tensor([[[-1.1485, -0.4205,  0.0642],
         [-0.0410, -1.2241, -0.8416],
         [-0.5100, -1.0091,  1.9121],
         [ 0.9528,  1.0127, -1.1162],
         [ 0.3664,  0.2822,  0.4986],
         [-1.3757,  0.4239, -0.1506]]])
torch.Size([1, 6, 3])

dim= 2 기준

a = torch.randn(1,3,3)
print(a)
b = torch.randn(1,3,3)
print(b)
c = torch.cat((a,b), dim = 2) # 0차원을 기준으로 concat 해줘 - 그래서 맨 앞자리끼리 더해져서 1 +1 = 2
print(c)
print(c.size())

결과값

tensor([[[ 1.4339,  0.6223, -0.0402],
         [ 0.1431,  1.2022, -0.0739],
         [-0.3410,  0.0795, -0.5344]]])
tensor([[[-1.6797,  0.1316,  0.0733],
         [-1.9522,  1.3740, -1.4289],
         [ 0.5454,  0.6269,  0.7874]]])
tensor([[[ 1.4339,  0.6223, -0.0402, -1.6797,  0.1316,  0.0733],
         [ 0.1431,  1.2022, -0.0739, -1.9522,  1.3740, -1.4289],
         [-0.3410,  0.0795, -0.5344,  0.5454,  0.6269,  0.7874]]])
torch.Size([1, 3, 6])

chunk

• 텐서를 여러개로 나눌때 사용
• torch.chunk(input, n = (몇개로 쪼갤지 설정), dim = (어떤 차원에 적용할지)

tensor = torch.rand(3,6)
print(tensor)

t1, t2, t3 = torch.chunk(tensor,3, dim=1)
print(t1)
print(t2)
print(t3)

split

• chunk와 유사하지만 조금 다름(텐서의 크기는 몇인가?)

tensor = torch.rand(3,6)
t1, t2 = torch.split(tensor, 3, dim=1)

print(tensor)
print(t1)
print(t2)

[참고][chunk]https://sanghyu.tistory.com/6