pytorch换版本_自用Pytorch学习笔记(六:Tensor变换)(基于1.1版本)

1、view用来改变shape。

调整Tensor的shape(通过返回一个新的Tensor)&＃xff0c;在老版本中这个函数是view()&＃xff0c;功能上都是一样的。

a&＃61;torch.rand(4,1,28,28)

print(a.shape)#torch.Size([4, 1, 28, 28])

#将后3维合并

print(a.view(4,28*28))#

print(a.view(4,28*28).shape)#torch.Size([4, 784])

#将前3维合并

print(a.view(4*28,28).shape)

#将前2维合并

print(a.view(4*1,28,28).shape)

2、unsqueeze增加维度

正的索引是在那个维度原本的位置前面插入这个新增加的维度&＃xff0c;负的索引是在那个位置之后插入。a&＃61;torch.rand(4,1,28,28)

print(a.shape)

print(a.unsqueeze(0).shape) # 在0号维度位置插入一个维度

print(a.unsqueeze(-1).shape) # 在最后插入一个维度

print(a.unsqueeze(3).shape) # 在3号维度位置插入一个维度

输出&＃xff1a;torch.Size([4, 1, 28, 28])

torch.Size([1, 4, 1, 28, 28])

torch.Size([4, 1, 28, 28, 1])

torch.Size([4, 1, 28, 1, 28])

3、squeeze用来删减维度

删减维度实际上是一个压榨的过程&＃xff0c;直观地看是把那些多余的[]给去掉&＃xff0c;也就是只是去删除那些size&＃61;1的维度。import torch

a &＃61; torch.Tensor(1, 4, 1, 9)

print(a.shape)

print(a.squeeze().shape) # 能删除的都删除掉

print(a.squeeze(0).shape) # 尝试删除0号维度,ok

print(a.squeeze(2).shape) # 尝试删除2号维度,ok

print(a.squeeze(3).shape) # 尝试删除3号维度,3号维度是9不是1,删除失败

输出&＃xff1a;

torch.Size([1, 4, 1, 9])

torch.Size([4, 9])

torch.Size([4, 1, 9])

torch.Size([1, 4, 9])

torch.Size([1, 4, 1, 9])

4、expand用来维度扩展

expand就是在某个size&＃61;1的维度上改变size&＃xff0c;改成更大的一个大小&＃xff0c;实际就是在每个size&＃61;1的维度上的标量的广播操作。

import torch

b &＃61; torch.rand(32)

f &＃61; torch.rand(4, 32, 14, 14)

# 想要把b加到f上面去

# 先进行维度增加

b &＃61; b.unsqueeze(1).unsqueeze(2).unsqueeze(0)

print(b.shape)#torch.Size([1, 32, 1, 1])

# 再进行维度扩展

b &＃61; b.expand(4, -1, 14, 14) # -1表示这个维度保持不变,这里写32也可以

print(b.shape)

运行结果&＃xff1a;

torch.Size([1, 32, 1, 1])

torch.Size([4, 32, 14, 14])

针对评论区的补充&＃xff1a;input &＃61; torch.randn(4, 3)

input.size()#(4,3)

input &＃61; input.expand(2, -1, -1)#后面的两个-1表示原来input的后两维不动&＃xff0c;只在第一维扩充

#但是这种做法仅限于要扩展的tensor和原来的tensor只差一个维度&＃xff0c;且在第一维扩充&＃xff0c;如果需要在其它维度扩展&＃xff0c;需要先用unsqueeze增加维度&＃xff0c;然后再扩展。

5、repeat维度重复

repeat就是将每个位置的维度都重复至指定的次数&＃xff0c;以形成新的Tensor。repeat会重新申请内存空间。# 维度增加...

print(b.shape)

# 维度重复,32这里不想进行重复,所以就相当于"重复至1次"

b &＃61; b.repeat(4, 1, 14, 14)

print(b.shape)

结果&＃xff1a;

torch.Size([1, 32, 1, 1])

torch.Size([4, 32, 14, 14])

6、转置&＃xff1a;只适用于dim&＃61;2的Tensor。c &＃61; torch.Tensor(2, 4)

print(c.t().shape)#torch.Size([4, 2])

7、维度交换

注意这种交换使得存储不再连续&＃xff0c;再执行一些reshape的操作肯定是执行不了的&＃xff0c;所以要调用一下contiguous()使其变成连续的维度。d &＃61; torch.Tensor(6, 3, 1, 2)

print(d.transpose(1, 3).contiguous().shape) # 1号维度和3号维度交换

结果&＃xff1a;torch.Size([6, 2, 1, 3])

下面这个例子比较一下每个位置上的元素都是一致的&＃xff0c;来验证一下这个交换->压缩shape->展开shape->交换回去是没有问题的。

e &＃61; torch.rand(4, 3, 6, 7)

e2 &＃61; e.transpose(1, 3).contiguous().reshape(4, 7 * 6 * 3).reshape(4, 7, 6, 3).transpose(1, 3)

print(e2.shape)

# 比较下两个Tensor所有位置上的元素是否都相等

print(torch.all(torch.eq(e, e2)))

运行结果&＃xff1a;

torch.Size([4, 3, 6, 7])

tensor(1, dtype&＃61;torch.uint8)

8、permute

如果四个维度表示上节的[batch,channel,h,w] &＃xff0c;如果想把channel 放到最后去&＃xff0c;形成[batch,h,w,channel] &＃xff0c;那么如果使用前面的维度交换&＃xff0c;至少要交换两次(先13交换再12交换)。而使用permute可以直接指定维度新的所处位置&＃xff0c;方便很多。

h &＃61; torch.rand(4, 3, 6, 7)

print(h.permute(0, 2, 3, 1).shape)

结果&＃xff1a;torch.Size([4, 6, 7, 3])