torch.masked¶

简介¶

动机¶

警告

掩码张量的 PyTorch API 处于原型阶段，将来可能会更改。

MaskedTensor 是 torch.Tensor 的扩展，它允许用户

使用任何掩码语义（例如可变长度张量、nan* 运算符等）
区分 0 和 NaN 梯度
各种稀疏应用（见下面的教程）

“指定”和“未指定”在 PyTorch 中有着悠久的历史，但没有正式的语义，当然也不一致；事实上，MaskedTensor 是由于 vanilla torch.Tensor 类无法正确解决的一系列问题而诞生的。因此，MaskedTensor 的主要目标是成为 PyTorch 中上述“指定”和“未指定”值的真相来源，使它们成为一等公民，而不是事后才想到的。反过来，这将进一步释放稀疏性的潜力，使运算符更安全、更一致，并为用户和开发人员提供更流畅、更直观的体验。

什么是 MaskedTensor？¶

MaskedTensor 是一个张量子类，它包含 1) 输入（数据）和 2) 掩码。掩码告诉我们应该包含或忽略输入中的哪些条目。

例如，假设我们想要屏蔽所有等于 0 的值（用灰色表示）并取最大值

顶部是 vanilla 张量示例，底部是 MaskedTensor，其中所有 0 都被屏蔽。这清楚地表明，根据我们是否拥有掩码，结果会有所不同，但这种灵活的结构允许用户在计算过程中系统地忽略他们想要的任何元素。

我们已经编写了许多现有的教程来帮助用户入门，例如

支持的运算符¶

一元运算符¶

一元运算符是只包含单个输入的运算符。将它们应用于 MaskedTensor 相对简单：如果数据在给定索引处被屏蔽，我们将应用运算符，否则我们将继续屏蔽数据。

可用的一元运算符是

`abs`	计算 `input` 中每个元素的绝对值。
`absolute`	`torch.abs()` 的别名
`acos`	计算 `input` 中每个元素的反余弦。
`arccos`	`torch.acos()` 的别名。
`acosh`	返回一个新张量，包含 `input` 元素的反双曲余弦。
`arccosh`	`torch.acosh()` 的别名。
`angle`	计算给定 `input` 张量的逐元素角度（以弧度表示）。
`asin`	返回一个新张量，包含 `input` 元素的反正弦。
`arcsin`	`torch.asin()` 的别名。
`asinh`	返回一个新张量，包含 `input` 元素的反双曲正弦。
`arcsinh`	`torch.asinh()` 的别名。
`atan`	返回一个新的张量，包含 `input` 元素的反正切值。
`arctan`	是 `torch.atan()` 的别名。
`atanh`	返回一个新的张量，包含 `input` 元素的反双曲正切值。
`arctanh`	是 `torch.atanh()` 的别名。
`bitwise_not`	计算给定输入张量的按位非操作。
`ceil`	返回一个新的张量，包含 `input` 元素的上舍入值，即大于或等于每个元素的最小整数。
`clamp`	将 `input` 中的所有元素夹紧到范围 [ `min`, `max` ]。
`clip`	是 `torch.clamp()` 的别名。
`conj_physical`	计算给定 `input` 张量的逐元素共轭。
`cos`	返回一个新的张量，包含 `input` 元素的余弦值。
`cosh`	返回一个新的张量，包含 `input` 元素的双曲余弦值。
`deg2rad`	返回一个新的张量，将 `input` 中每个元素从度数转换为弧度。
`digamma`	是 `torch.special.digamma()` 的别名。
`erf`	是 `torch.special.erf()` 的别名。
`erfc`	是 `torch.special.erfc()` 的别名。
`erfinv`	是 `torch.special.erfinv()` 的别名。
`exp`	返回一个新的张量，包含输入张量 `input` 元素的指数值。
`exp2`	是 `torch.special.exp2()` 的别名。
`expm1`	是 `torch.special.expm1()` 的别名。
`fix`	是 `torch.trunc()` 的别名。
`floor`	返回一个新的张量，包含 `input` 元素的下舍入值，即小于或等于每个元素的最大整数。
`frac`	计算 `input` 中每个元素的小数部分。
`lgamma`	计算 `input` 上伽马函数绝对值的自然对数。
`log`	返回一个新的张量，包含 `input` 元素的自然对数。
`log10`	返回一个新的张量，包含 `input` 元素以 10 为底的对数。
`log1p`	返回一个新的张量，包含 (1 + `input`) 的自然对数。
`log2`	返回一个新的张量，包含 `input` 元素以 2 为底的对数。
`logit`	是 `torch.special.logit()` 的别名。
`i0`	是 `torch.special.i0()` 的别名。
`isnan`	返回一个新的张量，包含布尔元素，表示 `input` 中每个元素是否为 NaN。
`nan_to_num`	将 `NaN`、正无穷大和负无穷大值替换为 `input` 中由 `nan`、`posinf` 和 `neginf` 指定的值。
`neg`	返回一个新的张量，包含 `input` 元素的负值。
`negative`	是 `torch.neg()` 的别名。
`positive`	返回 `input`。
`pow`	将 `input` 中每个元素的幂次方与 `exponent` 相乘，并返回一个包含结果的张量。
`rad2deg`	返回一个新的张量，将 `input` 中每个元素从弧度转换为度数。
`reciprocal`	返回一个新的张量，包含 `input` 元素的倒数。
`round`	将 `input` 元素四舍五入到最接近的整数。
`rsqrt`	返回一个新的张量，包含 `input` 中每个元素的平方根的倒数。
`sigmoid`	是 `torch.special.expit()` 的别名。
`sign`	返回一个新的张量，包含 `input` 元素的符号。
`sgn`	此函数是 torch.sign() 对复数张量的扩展。
`signbit`	测试 `input` 中每个元素的符号位是否被设置。
`sin`	返回一个新的张量，包含 `input` 元素的正弦值。
`sinc`	是 `torch.special.sinc()` 的别名。
`sinh`	返回一个新的张量，包含 `input` 元素的双曲正弦值。
`sqrt`	返回一个新的张量，包含 `input` 元素的平方根。
`square`	返回一个新的张量，包含 `input` 元素的平方值。
`tan`	返回一个新的张量，包含 `input` 元素的正切值。
`tanh`	返回一个新的张量，包含 `input` 元素的双曲正切值。
`trunc`	返回一个新的张量，包含 `input` 元素的截断整数部分。

可用的就地一元运算符是以上所有运算符，**除外**

`angle`	计算给定 `input` 张量的逐元素角度（以弧度表示）。
`positive`	返回 `input`。
`signbit`	测试 `input` 中每个元素的符号位是否被设置。
`isnan`	返回一个新的张量，包含布尔元素，表示 `input` 中每个元素是否为 NaN。

二元运算符¶

正如您可能在教程中看到的那样，MaskedTensor 也实现了二元运算，但前提是两个 MaskedTensor 中的掩码必须匹配，否则会抛出错误。如错误中所述，如果您需要对特定运算符的支持，或者对它们应该如何行为提出了语义建议，请在 GitHub 上打开一个问题。目前，我们决定采用最保守的实现，以确保用户确切地知道发生了什么，并在使用掩码语义时做出明智的决定。

可用的二元运算符是

`add`	将 `other`（乘以 `alpha`）添加到 `input`。
`atan2`	逐元素反正切值 $\text{input}_{i} / \text{other}_{i}$ ，考虑象限。
`arctan2`	是 `torch.atan2()` 的别名。
`bitwise_and`	计算 `input` 和 `other` 的按位与操作。
`bitwise_or`	计算 `input` 和 `other` 的按位或操作。
`bitwise_xor`	计算 `input` 和 `other` 的按位异或操作。
`bitwise_left_shift`	计算 `input` 左侧算术移位 `other` 位。
`bitwise_right_shift`	计算 `input` 右侧算术移位 `other` 位。
`div`	将输入 `input` 的每个元素除以 `other` 的对应元素。
`divide`	是 `torch.div()` 的别名。
`floor_divide`
`fmod`	按元素应用 C++ 的 std::fmod。
`logaddexp`	输入指数和的对数。
`logaddexp2`	输入指数和以 2 为底的对数。
`mul`	将 `input` 乘以 `other`。
`multiply`	是 `torch.mul()` 的别名。
`nextafter`	返回 `input` 之后，朝向 `other` 的下一个浮点数，按元素进行。
`remainder`	按元素计算 Python 的模运算。
`sub`	从 `input` 中减去 `other`，并乘以 `alpha`。
`subtract`	是 `torch.sub()` 的别名。
`true_divide`	是 `torch.div()` 的别名，其中 `rounding_mode=None`。
`eq`	计算按元素的相等性
`ne`	计算 $\text{input} \neq \text{other}$ 按元素进行。
`le`	计算 $\text{input} \leq \text{other}$ 按元素进行。
`ge`	计算 $\text{input} \geq \text{other}$ 按元素进行。
`greater`	是 `torch.gt()` 的别名。
`greater_equal`	是 `torch.ge()` 的别名。
`gt`	计算 $\text{input} > \text{other}$ 按元素进行。
`less_equal`	是 `torch.le()` 的别名。
`lt`	计算 $\text{input} < \text{other}$ 按元素进行。
`less`	是 `torch.lt()` 的别名。
`maximum`	计算 `input` 和 `other` 的按元素最大值。
`minimum`	计算 `input` 和 `other` 的按元素最小值。
`fmax`	计算 `input` 和 `other` 的按元素最大值。
`fmin`	计算 `input` 和 `other` 的按元素最小值。
`not_equal`	是 `torch.ne()` 的别名。

可用的就地二元运算符是所有上述运算符，**除了**

`logaddexp`	输入指数和的对数。
`logaddexp2`	输入指数和以 2 为底的对数。
`equal`	如果两个张量大小和元素相同，则为 `True`，否则为 `False`。
`fmin`	计算 `input` 和 `other` 的按元素最小值。
`minimum`	计算 `input` 和 `other` 的按元素最小值。
`fmax`	计算 `input` 和 `other` 的按元素最大值。

缩减¶

以下缩减操作可用（支持自动梯度）。有关更多信息，概述教程详细介绍了一些缩减操作示例，而高级语义教程更深入地讨论了我们如何决定某些缩减语义。

`sum`	返回 `input` 张量中所有元素的总和。
`mean`	返回 `input` 张量中所有元素的平均值。
`amin`	返回给定维度 `dim` 中 `input` 张量每个切片的最小值。
`amax`	返回给定维度 `dim` 中 `input` 张量每个切片的最大值。
`argmin`	返回扁平化张量或沿某个维度最小值(s) 的索引
`argmax`	返回 `input` 张量中所有元素的最大值的索引。
`prod`	返回 `input` 张量中所有元素的乘积。
`all`	测试 `input` 中的所有元素是否都计算为 True。
`norm`	返回给定张量的矩阵范数或向量范数。
`var`	计算由 `dim` 指定的维度上的方差。
`std`	计算由 `dim` 指定的维度上的标准差。

视图和选择函数¶

我们还包含了一些视图和选择函数；直观地，这些运算符将同时应用于数据和掩码，然后将结果包装在 MaskedTensor 中。举个简单的例子，考虑 select()

>>> data = torch.arange(12, dtype=torch.float).reshape(3, 4)
>>> data
tensor([[ 0.,  1.,  2.,  3.],
        [ 4.,  5.,  6.,  7.],
        [ 8.,  9., 10., 11.]])
>>> mask = torch.tensor([[True, False, False, True], [False, True, False, False], [True, True, True, True]])
>>> mt = masked_tensor(data, mask)
>>> data.select(0, 1)
tensor([4., 5., 6., 7.])
>>> mask.select(0, 1)
tensor([False,  True, False, False])
>>> mt.select(0, 1)
MaskedTensor(
  [      --,   5.0000,       --,       --]
)

目前支持以下操作

`atleast_1d`	返回每个维度为零的输入张量的 1 维视图。
`broadcast_tensors`	根据广播语义广播给定的张量。
`broadcast_to`	将 `input` 广播到形状 `shape`。
`cat`	将给定序列的 `seq` 张量在给定维度上连接起来。
`chunk`	尝试将张量分成指定数量的块。
`column_stack`	通过水平堆叠 `tensors` 中的张量来创建一个新的张量。
`dsplit`	根据 `indices_or_sections` 深度地将 `input`（具有三个或更多维度的张量）分成多个张量。
`flatten`	通过将其重塑为一维张量来展平 `input`。
`hsplit`	根据 `indices_or_sections` 水平地将 `input`（具有一个或多个维度的张量）分成多个张量。
`hstack`	按顺序水平堆叠（按列）张量。
`kron`	计算 `input` 和 `other` 的克罗内克积，记为 $\otimes$ 。
`meshgrid`	创建由 attr:tensors 中的 1D 输入指定的坐标网格。
`narrow`	返回一个新的张量，它是 `input` 张量的缩小版本。
`ravel`	返回一个连续的扁平化张量。
`select`	沿着给定索引处的选定维度切片 `input` 张量。
`split`	将张量分成块。
`t`	期望 `input` 是 <= 2 维的张量，并转置维度 0 和 1。
`transpose`	返回一个张量，它是 `input` 的转置版本。
`vsplit`	根据 `indices_or_sections` 将具有两个或更多维度的张量 `input` 垂直拆分为多个张量。
`vstack`	将张量按顺序垂直（按行）堆叠。
`Tensor.expand`	返回一个新的 `self` 张量视图，其中单一维度扩展到更大的尺寸。
`Tensor.expand_as`	将此张量扩展到与 `other` 相同的尺寸。
`Tensor.reshape`	返回一个与 `self` 具有相同数据和元素数量的张量，但具有指定的形状。
`Tensor.reshape_as`	将此张量返回为与 `other` 相同的形状。
`Tensor.view`	返回一个新的张量，与 `self` 张量具有相同的数据，但具有不同的 `shape`。