"Torch"의 두 판 사이의 차이
ph
잔글 (→narrow, sub) |
잔글 (→Querying elements) |
||
| (같은 사용자의 중간 판 5개는 보이지 않습니다) | |||
| 7번째 줄: | 7번째 줄: | ||
==etc== | ==etc== | ||
| − | ===storage=== | + | ===<c>storage</c>=== |
Tensor is a particular way of viewing a Storage. <c>storage</c>로 접근하면 내부 배열에 순차적으로 접근 가능. matlab에서 2차원 이상 배열을 1차원배열 index로 접근하는 것과 동일. | Tensor is a particular way of viewing a Storage. <c>storage</c>로 접근하면 내부 배열에 순차적으로 접근 가능. matlab에서 2차원 이상 배열을 1차원배열 index로 접근하는 것과 동일. | ||
<pre>x = torch.Tensor(4,5) | <pre>x = torch.Tensor(4,5) | ||
| 14번째 줄: | 14번째 줄: | ||
s[i] = i | s[i] = i | ||
end</pre> | end</pre> | ||
| − | ===apply=== | + | |
| + | ===<c>apply</c>=== | ||
<pre>x:apply(function(x) | <pre>x:apply(function(x) | ||
return x | return x | ||
end)</pre> | end)</pre> | ||
| + | |||
===<c>narrow, sub</c>=== | ===<c>narrow, sub</c>=== | ||
:narrow(dim, offset, length) | :narrow(dim, offset, length) | ||
| − | 행렬의 slice를 가져옴. dim=1은 row, 2는 column, 3이상도 가능.''(row가 먼저임에 주의. torch 자체가 MATLAB과는 달리 항상 row먼저. 예를들어 1 2 3 4 5 6벡터를 (2,3)으로 reshape하면 첫 행이 1,2,3이 된다.)' | + | 행렬의 slice를 가져옴. dim=1은 row, 2는 column, 3이상도 가능.''(row가 먼저임에 주의. torch 자체가 MATLAB과는 달리 항상 row먼저. 예를들어 1 2 3 4 5 6벡터를 (2,3)으로 reshape하면 첫 행이 1,2,3이 된다.)'' <del>이래서 torch가 안되는거야</del><br /> |
offset=1이면 첫줄부터 가져옴. 즉 start index라고 보면 된다.<br /> | offset=1이면 첫줄부터 가져옴. 즉 start index라고 보면 된다.<br /> | ||
length는 해당 dimension의 vector몇개를 가져올지 지정. 즉 length=3이라고 해서 숫자 세개가 오는 것이 아니다. 5\(\times\)4 행렬에서 <c>narrow(1,3,2)</c>하면, 다음 색칠한 두줄을 반환한다. <c>sub(3,4)</c>[https://github.com/torch/torch7/blob/master/doc/tensor.md#tensor-subdim1s-dim1e---dim4s--dim4e]와 같다. (<c>sub</c>는 index에 -1을 허용한다. bound를 뜻함). <del>직관적인 <c>sub</c>권장</del> | length는 해당 dimension의 vector몇개를 가져올지 지정. 즉 length=3이라고 해서 숫자 세개가 오는 것이 아니다. 5\(\times\)4 행렬에서 <c>narrow(1,3,2)</c>하면, 다음 색칠한 두줄을 반환한다. <c>sub(3,4)</c>[https://github.com/torch/torch7/blob/master/doc/tensor.md#tensor-subdim1s-dim1e---dim4s--dim4e]와 같다. (<c>sub</c>는 index에 -1을 허용한다. bound를 뜻함). <del>직관적인 <c>sub</c>권장</del> | ||
| 61번째 줄: | 63번째 줄: | ||
<pre>> x[2][3] -- returns row 2, column 3 | <pre>> x[2][3] -- returns row 2, column 3 | ||
> x[{2,3}] -- another way to return row 2, column 3 | > x[{2,3}] -- another way to return row 2, column 3 | ||
| − | > x[torch.le(x,3)] -- torch.le returns a ByteTensor that acts as a mask | + | > x[torch.le(x,3)] -- torch.le returns a ByteTensor that acts as a mask |
| − | + | ||
| − | 1 | + | --slicing |
| − | 1 0 | + | x = torch.Tensor(5, 6):zero() |
| − | + | x[{ 1,3 }] = 1 -- sets element at (i=1,j=3) to 1 | |
| − | + | x[{ 2,{2,4} }] = 2 -- sets a slice of 3 elements to 2 | |
| − | 0 | + | x[{ {},4 }] = -1 -- sets the full 4th column to -1 |
| − | [torch. | + | x[{ {},2 }] = torch.range(1,5) -- copy a 1D tensor to a slice of x |
| + | x[torch.lt(x,0)] = -2 -- sets all negative elements to -2 via a mask | ||
| + | --final result | ||
| + | > x | ||
| + | 0 1 1 -2 0 0 | ||
| + | 0 2 2 -2 0 0 | ||
| + | 0 3 0 -2 0 0 | ||
| + | 0 4 0 -2 0 0 | ||
| + | 0 5 0 -2 0 0 | ||
| + | [torch.DoubleTensor of dimension 5x6]</pre> | ||
| + | About <c>le, lt</c> refer [https://github.com/torch/torch7/blob/master/doc/maths.md#torchlea-b Logical Operations]. There are <c>lt, le, gt, ge, eq, ne, all, any</c>. | ||
2017년 7월 12일 (수) 17:47 기준 최신판
목차
links
iTorch
https://github.com/facebook/iTorch
ipython같이 쓸 수 있음.
etc
storage
Tensor is a particular way of viewing a Storage. storage로 접근하면 내부 배열에 순차적으로 접근 가능. matlab에서 2차원 이상 배열을 1차원배열 index로 접근하는 것과 동일.
x = torch.Tensor(4,5) s = x:storage() for i=1,s:size() do -- fill up the Storage s[i] = i end
apply
x:apply(function(x) return x end)
narrow, sub
:narrow(dim, offset, length)
행렬의 slice를 가져옴. dim=1은 row, 2는 column, 3이상도 가능.(row가 먼저임에 주의. torch 자체가 MATLAB과는 달리 항상 row먼저. 예를들어 1 2 3 4 5 6벡터를 (2,3)으로 reshape하면 첫 행이 1,2,3이 된다.) 이래서 torch가 안되는거야
offset=1이면 첫줄부터 가져옴. 즉 start index라고 보면 된다.
length는 해당 dimension의 vector몇개를 가져올지 지정. 즉 length=3이라고 해서 숫자 세개가 오는 것이 아니다. 5\(\times\)4 행렬에서 narrow(1,3,2)하면, 다음 색칠한 두줄을 반환한다. sub(3,4)[1]와 같다. (sub는 index에 -1을 허용한다. bound를 뜻함). 직관적인 sub권장
| 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 |
초기화
x = torch.Tensor(5):zero()
x = torch.Tensor(5):fill(1)
x:zero()
-- creates a storage with 10 elements
s = torch.Storage(10):fill(1)
torch.Tensor({{1,2,3,4}, {5,6,7,8}})
contiguous
메모리상에서 연속이면 그 자체를 반환하고 아니면 clone해서 준다.
x:isContiguous()로 알아볼 수도 있음.
type
th> torch.Tensor():type()
torch.DoubleTensor
-- type casting
y = x:type('torch.IntTensor')
-- is equivalent to calling int()
> x:int()
Querying the size and structure
x:nDimension() x:dim() -- same as above x:size() x:size(2) -- gets the number of columns
Querying elements
> x[2][3] -- returns row 2, column 3
> x[{2,3}] -- another way to return row 2, column 3
> x[torch.le(x,3)] -- torch.le returns a ByteTensor that acts as a mask
--slicing
x = torch.Tensor(5, 6):zero()
x[{ 1,3 }] = 1 -- sets element at (i=1,j=3) to 1
x[{ 2,{2,4} }] = 2 -- sets a slice of 3 elements to 2
x[{ {},4 }] = -1 -- sets the full 4th column to -1
x[{ {},2 }] = torch.range(1,5) -- copy a 1D tensor to a slice of x
x[torch.lt(x,0)] = -2 -- sets all negative elements to -2 via a mask
--final result
> x
0 1 1 -2 0 0
0 2 2 -2 0 0
0 3 0 -2 0 0
0 4 0 -2 0 0
0 5 0 -2 0 0
[torch.DoubleTensor of dimension 5x6]
About le, lt refer Logical Operations. There are lt, le, gt, ge, eq, ne, all, any.