pytorch每日一学45(torch.transpose())将tensor中对应的维度进行交换

最新推荐文章于 2024-07-01 15:02:48 发布

Fluid_ray

最新推荐文章于 2024-07-01 15:02:48 发布

阅读量2k

点赞数 3

分类专栏： pytorch每日一学文章标签： pytorch 机器学习数据挖掘神经网络深度学习

本文链接：https://blog.csdn.net/Fluid_ray/article/details/111060511

版权

pytorch每日一学专栏收录该内容

49 篇文章 256 订阅

订阅专栏

第45个方法

torch.transpose(input, dim0, dim1) → Tensor

返回一个tensor，此tensor是输入tensor的转置版本，给定的维度dim0和dim1将会被交换。

结果tensor和原tensor共享内存，所以改变其中一个的内容也会改变另外一个里面的内容。

参数介绍：

input：输入tensor。
dim0(int)：要转换的第一个维度。
``dim1(int)：要转换的第二个维度。

实例如下所示：

>>> x = torch.randn(2, 3)
>>> x
tensor([[ 1.0028, -0.9893,  0.5809],
        [-0.1669,  0.7299,  0.4942]])
>>> torch.transpose(x, 0, 1)
tensor([[ 1.0028, -0.1669],
        [-0.9893,  0.7299],
        [ 0.5809,  0.4942]])

在这里插入图片描述

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Fluid_ray

关注关注

3
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

Pytorch——维度变换

surymy

06-14

2326

这节东西有点多，整理的时间久了点。完工，睡觉~~~

Pytorch基础 - 7. torch.transpose() 和 torch.permute()

Aaron_neil的博客

04-14

2691

按照上面数组的方式进行理解，x的原维度表示数组 array = [3, 4, 5, 8]，转置后的维度 = [array[1], array[0], array[3], array[2]] = [4, 3, 8, 5]就是把原来的维度比作一个数组 list=[3, 4]，permute中的数表示数组对应的index，则转置后的x为 [list[1], list[0]] = [4, 3]示例：将shape为[3, 4]的张量，通过transpose()转换成维度为[4, 3]的张量。示例1：进行二维转置。

参与评论您还未登录，请先登录后发表或查看评论

pytorch 调整某一维度数据顺序的方法

12-23

在pytorch中，Tensor是以引用的形式存在的，故而并不能直接像python交换数据那样 a = torch.Tensor(3,4) a[0],a[1] = a[1],a[0] # 这会导致a的结果为a=(a[1],a[1],a[2]) # 而非预期的(a[1],a[0],a[2]) 这是因为引用赋值导致的，在交换过程，如下所示，当b的值赋值与a的时候，因为tmp指针与a是同一变量的不同名，故而tmp的内容也会变为b。 # 交换a,b a,b = b,a # 等价于 tmp = a a = b #此时，tmp = a= b b = tmp 故而在我们通过另外一种方式来对其进行交换，

torch的Tensor维度变换

m0_53926478的博客

04-11

3284

pytorch学习 torch的Tensor维度变换 view和reshape功能一样-不变的是数据本身，变维度改变对数据的理解缩小/扩大维度，正的维度在索引之后插入，负的维度在索引之前插入例子：给每幅图一个偏置bias 右边扩两次，左边一次，从[32]得到[1 32 1 1 ] 维度扩展：expend/repeat，expend在需要的时候复制数据，节约内存，推荐；repeat复了数据 expend扩展1->N可行，大于1需要指定策略 -1代表维持不变 repeat：函数里的数字都是

torch学习笔记之——tensor维度变换

qq_58832911的博客

01-05

6881

torch学习笔记之——tensor维度变换：View 和reshape，squeeze 和unsqueeze，expand 和repeat，transpose和permute。

pytorch中维度变换函数

weixin_53680017的博客

03-14

2242

1.torch.size () 这个函数可以看到变换后的矩阵的维度，用法如下： >>>import torch >>>a = torch.Tensor([[[1, 2, 3], [4, 5, 6]]]) >>>a.size() torch.Size([1, 2, 3]) 记忆方法：第一层括号有1个元素，第二个括号有两个元素，第三个括号有3个元素。因此torch.Size([1, 2, 3])。 2.torch.view() #将ten

torch张量的维度有关的变换——注意：对张量采取维度变换的时候一定要注意要追踪每个维度的数据，否则会出错

qq_42902997的博客

10-08

656

参考资料：bilibili https://www.bilibili.com/video/BV13a411u7G5?p=23&spm_id_from=pageDriver&vd_source=e162db2199c43956dc501bc6c0725612

Pytorch基础 - 6. torch.reshape() 和 torch.view()

Aaron_neil的博客

04-14

2566

当tensor是连续的，torch.reshape() 和 torch.view()这两个函数的处理过程也是相同的，即两者均不会开辟新的内存空间，也不会产生数据的副本，只是改变了tensor的头信息区，如stride, 并没有修改这个tensor的存储区 Storage。当处理的tensor是非连续性的(contiguous) view()：在调用view()函数之前需要先调用 contiguous()方法，即x.contiguous().view()。

PyTorch中Tensor的维度变换实现

09-18

此外，还可以使用`torch.transpose(dim0, dim1)`来交换Tensor的两个维度，这在处理矩阵运算和卷积神经网络时非常常见。`torch.permute(*dims)`允许我们重新排列Tensor的所有维度，这在处理多维数据时非常灵活。 ...

tensor.view和torch.transpose的区别、torch.stack和torch.cat的区别以及tensor.expand和tensor.repeat的区别

qq_42655006的博客

09-01

512

笔者最近阅读代码的时候发现，pytorch中有许多对于tensor的操作功能类似但是区别还是挺大的，查阅了官方文档后，决定记录一下 tensor.view、torch.transpose和tensor.expand 这三个函数都可以更改数tensor的形状： 1、tensor.view是按照元素的顺序直接整合成目标形状，例如: >>> m = tensor([[1,1,1],[2,2,2]]) >>> m.view(3,2) # 将m的形状由2×3变为3×2 tensor

Pytorch简介和张量Tensor

javascriptch的博客

08-03

620

张量Tensor 各种数值数据统称为张量常量：scaler：0阶张量向量：vector：1阶张量矩阵：matrix：2阶张量一、使用：使用python列表或者序列创建tensor(是浮点型) torch.tensor([1,2,3]) numpy生成再转换为tensor torch.tensor(np.array([[1,2,3],[4,5,6]])) 使用torch的api创建tensor 1、torch.empty(3,4)创建3行4列的的为空的tensor，会用无用数据进行

pytorch交换tensor的指定维度

CSDN 精品推荐

11-12

3699

pytorch中有两种方式可以实现tensor指定维度的交换，第一个是torch.permute()，第二个方法是torch.transpose()。二者不同是torch.permute()可以同时交换多个维度，而torch.transpose()每次只能交换两个维度。

PyTorch学习之torch.transpose函数

最新发布

qq_46396470的博客

07-01

1106

函数我们用于交换张量的维度。

torch tensor transpose函数：每次可以转置2 dim（线代上的转置）

只想安静地敲个代码

09-16

529

无

torch tensor维度变换torch.reshape,torch.view,torch.repeat,torch.expand,torch.permute,torch.transpose

whitesilence的博客

08-10

2906

pytorch中可以改变维度的操作有torch.reshape,torch.view,torch.repeat,torch.expand,torch.permute,torch.transpose import torch #torch.view和torch.reshape是一样的，torch.reshape/torch.view与input共用基础数据，改变其中一个，另一个也跟着改变 t = torch.rand(4,4) print(t) b = t.view(2,8) #按行优先对原tensor进行

pytorch——维度变换

weixin_52400991的博客

10-28

272

使用方法：a=tensor.rand(1,3,1,1)则a.repeat(4,32,1,1)表示：第一维的张量数据复制四次，第二维张量数据复制32次，第三维张量数据复制1次，第四维一次，此时a.size=torch.size([4,32*4,1,1])使用方法：a=tensor.rand(1,3,1,1) 则a.expand(4,3,28,28)就将第1，3，4个维度的张量的长度分别由1改变为4，28，28；,3,1,1)即（3，1，1）；,1,1)由于长度不是1，则结果为(1,3,1,1）

Pytorch学习笔记（四）——维度变换

weixin_39433223的博客

05-23

1630

学习目标：掌握Pytorch 学习内容：维度变换主要有以下几种方式： view/reshape squeeze/unsqueeze transpose/t/permute expande/repeat (1）torch.view()和torch.reshape() 两者都用于改变tensor的shape，两者功能相同，区别在于torch.view（）是Pytorch0.3版本，torch.reshape（）是Pytorch0.4版本及以上。 a = torch.rand(4,1,28,28) a.s

pytorch进行维度变换以及形状变换

小蜗牛的博客

01-03

2945

1.形状变换中长勇的函数是reshape和view，那么这两个函数的使用有什么不同呢首先说相同之处：都可以将张量的形状进行变换，便于我们在不同的模块中进行使用然后说明不同之处：view是要求张量的物理存储是连续的，如果不是连续的则会报错，当然z如果想要继续使用该函数，需要使用contiguous()函数进行转换——这时的作用就可以等价于reshape a = torch.arange(9).reshape(3, 3) # 初始化张量a b1 = a.permute(1, 0) #这个相当于

torch.transpose函数

08-29

torch.transpose函数是PyTorch中的一个张量操作函数，用于交换张量的维度顺序。该函数的语法如下： ``` torch.transpose(input, dim0, dim1) -> Tensor ``` 参数说明： - input：输入的张量。 - dim0：要交换的第一个维度的索引。 - dim1：要交换的第二个维度的索引。该函数返回一个新的张量，其维度顺序是在输入张量的基础上交换了dim0和dim1两个维度。注意，该操作不会改变输入张量的数据，只会改变维度顺序。例如，假设有一个形状为(2, 3)的张量A，我们可以使用torch.transpose函数将其转置为形状为(3, 2)的张量B： ``` python import torch A = torch.tensor([[1, 2, 3], [4, 5, 6]]) B = torch.transpose(A, 0, 1) print(B) ``` 输出： ``` tensor([[1, 4], [2, 5], [3, 6]]) ``` 在这个例子中，我们将A的第一个维度和第二个维度进行了交换，得到了B。