最近将之前用numpy写的解码头合并写入了网络模型，于是顺便将迁移时用到的numpy与pytorch的一些对应算子记录于此

1. np.meshgrid 与 torch.meshgrid

作用：常用于坐标与网格的生成

numpy 中: X, Y = np.meshgrid(np.arange(x), np.arange(y)

若 x == 5 与 y == 4

则

X == np.array([[0., 1., 2., 3., 4.],
               [0., 1., 2., 3., 4.],
               [0., 1., 2., 3., 4.],
               [0., 1., 2., 3., 4.]])

Y == np.array([[0., 0., 0., 0., 0.],
               [1., 1., 1., 1., 1.],
               [2., 2., 2., 2., 2.],
               [3., 3., 3., 3., 3.]])

与之对应的

pytorch 中: Y, X = torch.meshgrid(torch.arange(y), torch.arange(x), indexing='ij')

2. np.concatenate 与 torch.cat

作用：矩阵（张量）间相互拼接

np.concatenate((a, b), axis=-1) 与 torch.cat((a, b), dim=-1) 效果相同

3. np.expand_dims 与 torch.unsqueeze

作用：矩阵（张量）的维度扩充

np.expand_dims(x, axis=-1) 与 torch.unsqueeze(x, dim=-1) 效果相同

4. np.squeeze 与 torch.squeeze

作用：矩阵（张量）的无效维度缩减

np.squeeze(x, axis=-1) 与 torch.squeeze(x, dim=-1) 效果相同

5. np.split 与 torch.split 和 torch.chunk

作用：矩阵（张量）的拆分

试图在某一维上等分成x分时，np.split 与 torch.chunk 对应，即 

np.split(array, x, axis=0) 与 torch.chunk(tensor, x, dim=0) 效果相同

试图在某一维上按x(一个列表，numpy中代表索引，pytorch中代表切分长度)切分时，np.split 与 torch.split 对应，即 

np.split(array, [1, 3, 5], axis=0) 与 torch.split(tensor, [1, 2, 2, 1], dim=0) 效果相同

6. np.dot 与 torch.mm

作用：矩阵（张量）间的点乘  [a x b x c] · [c x d] = [a x b x d]

z = np.dot(x, y) & z = torch.mm(x, y)

两者在结果上可能存在转置关系（即可能需要.T），迁移时还需验证

7. np.cumsum 与 torch. cumsum

作用：矩阵自己按某一维度的累和，返回与自己形状相同的矩阵

np.cumsum(array, axis=0) 与 torch.cumsum(tensor, dim=0) 作用相同

累乘 np.cumprod 与 torch.cumprod 同理

8. array.repeat 与 tensor.repeat_interleave

作用：常用于矩阵的重复扩充，如扩充权值矩阵以自适应多维度的输入

array.repeat(t) 与 tensor.repeat_interleave(t) 效果相同， 其中t为重复次数

x = np.array([0, 1])
print(x.repeat(3))
>>> [0 0 0 1 1 1]

后续会继续补充...