PyTorch基本使用-张量的形状操作
文章目录
学习目标：掌握reshape()、squeze()、unsqueeze()、transpose()、permute()、view()、contiguous()等函数使用
-
reshape() 函数
reshape 函数可以在保证张量数据不变的前提下改版数据维度，将其转换成指定的形状。
data = torch.tensor([[1,2,3],[4,5,6]]) print('data ---> ',data) # 使用 shape属性或者size方法都可以获取张量的形状 print(data.shape,data.shape[0],data.shape[1]) print(data.size(),data.size(0),data.size(1)) # 使用 reshape 修改张量的形状 new_data = data.reshape(1,6) print(new_data.shape)输出结果：
data ---> tensor([[1, 2, 3], [4, 5, 6]]) torch.Size([2, 3]) 2 3 torch.Size([2, 3]) 2 3 torch.Size([1, 6]) -
squeeze()和unsqueeze()函数
squeeze 函数删除形状为 1 的维度（降维），unsqueeze 函数添加形状为1的维度（升维）。
data1 = torch.tensor([1,2,3,4,5,6]) print('普通的1维数组 ---> ',data1.shape,data1) data2 = data1.unsqueeze(dim=0) print('在0维上拓展维度',data2.shape,data2) # 1*6 data3 = data1.unsqueeze(dim=1) print('在1维上拓展维度',data3.shape,data3) # 6*1 data4 = data1.unsqueeze(dim=-1) print('在-1维上拓展维度',data4.shape,data4) # 6*1 data5 = data4.squeeze() print('压缩维度',data5.shape,data5) # 1*6输出结果：
普通的1维数组 ---> torch.Size([6]) tensor([1, 2, 3, 4, 5, 6]) 在0维上拓展维度 torch.Size([1, 6]) tensor([[1, 2, 3, 4, 5, 6]]) 在1维上拓展维度 torch.Size([6, 1]) tensor([[1], [2], [3], [4], [5], [6]]) 在-1维上拓展维度 torch.Size([6, 1]) tensor([[1], [2], [3], [4], [5], [6]]) 压缩维度 torch.Size([6]) tensor([1, 2, 3, 4, 5, 6]) -
transpose()和permute()函数
transpose 函数可以实现交换张量形状的指定维度, 例如: 一个张量的形状为 (2, 3, 4) 可以通过 transpose 函数把 3 和 4
进行交换, 将张量的形状变为 (2, 4, 3) 。 permute 函数可以一次交换更多的维度。data = torch.tensor(np.random.randint(0,10,[3,4,5])) print('data.shape ---> ',data.shape) # 1. 交换1和2维度 data2 = torch.transpose(data,1,2) print('data2.shape ---> ',data2.shape) # 2. 将形状换成 4，5，3 需要多次 data3 = torch.transpose(data,0,1) data4 = torch.transpose(data3,1,2) print('data4.shape ---> ',data4.shape) # 使用permute将形状换成 4,5,3 # 方法-1 data5 = torch.permute(data,[1,2,0]) print('data5.shape ---> ',data5.shape) # 方法-2 data6 = data.permute([1,2,0]) print('data6.shape ---> ',data6.shape)输出结果：
data.shape ---> torch.Size([3, 4, 5]) data2.shape ---> torch.Size([3, 5, 4]) data4.shape ---> torch.Size([4, 5, 3]) data5.shape ---> torch.Size([4, 5, 3]) data6.shape ---> torch.Size([4, 5, 3]) -
view()和contiguous()函数
view 函数也可以用于修改张量的形状，只能用于存储在整块内存中的张量。在 PyTorch 中，有些张量是由不同的数据
块组成的，它们并没有存储在整块的内存中，view 函数无法对这样的张量进行变形处理，例如: 一个张量经过了
transpose 或者 permute 函数的处理之后，就无法使用 view 函数进行形状操作。# 1. 一个张量经过了 transpose 或者 permute 函数的处理之后，就无法使用view 函数进行形状操作 # 若要使用view函数, 需要使用contiguous() 变成连续以后再使用view函数 # 2. 判断张量是否使用整块内存 data1 = torch.tensor([[1,2,3],[4,5,6]]) print('data1 ---> ',data1.shape,data1) # 3. 判断是否使用整块内存 print(data1.is_contiguous()) data2 = data1.view(3,2) print('data2 ---> ',data2.shape,data2) # 4. 判断是否使用整块内存 print(data2.is_contiguous()) # 5. 使用 transpose 函数修改形状 data3 = torch.transpose(data1,0,1) print('data3 ---> ',data3.shape,data3) # 6. 判断是否使用整块内存 print(data3.is_contiguous()) # 7. 需要先使用 contiguous 函数转换为整块内存的张量，再使用 view 函数 data4 = data3.contiguous().view(2,3) print('data4 ---> ',data4.shape,data4) # 8. 判断是否使用整块内存 print(data4.is_contiguous())输出结果：
data1 ---> torch.Size([2, 3]) tensor([[1, 2, 3], [4, 5, 6]]) True data2 ---> torch.Size([3, 2]) tensor([[1, 2], [3, 4], [5, 6]]) True data3 ---> torch.Size([3, 2]) tensor([[1, 4], [2, 5], [3, 6]]) False data4 ---> torch.Size([2, 3]) tensor([[1, 4, 2], [5, 3, 6]]) True
原文地址：https://blog.csdn.net/dwjf321/article/details/144354508
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！