假设有一个 torch 的 tensor 类型的变量 T。
T 的 shape 为shape,那么 T[None] 的shape 会变成 (1,shape)。
T[None] 会在 T 的基础上增加一个 dim。该 dim 的值为 1。
为什么要这样呢?
因为 PyTorch 需要 tensor 的形状 是 (B,C,H,W) 的
但是如果某个 tensor 是由一张 RGB 图像得到的,那么它的 shape 会是 (C,H,W),所以要增加第 0 维度,
举个例子
import torch
T = torch.randn((3,2))
print("T.shape: ",T.shape)
print("T:\n ",T)
print("\n\nT[None].shape: ",T[None].shape)
print("T[None]: \n",T[None])
print("Type(T[None]): ",type(T[None]))
输出如下:
T.shape: torch.Size([3, 2])
T:
tensor([[-0.2009, 0.5363],
[ 1.0295, -0.0239],
[ 0.9514, -1.2469]])
T[None].shape: torch.Size([1, 3, 2])
T[None]:
tensor([[[-0.2009, 0.5363],
[ 1.0295, -0.0239],
[ 0.9514, -1.2469]]])
Type(T[None]): <class 'torch.Tensor'>
可以看出,T 的shape: ( 3 , 2 ) → ( 1 , 3 , 2 ) (3,2) \rightarrow (1,3,2) (3,2)→(1,3,2)
拓展一下
下面这条代码最后 有 [0]
,因为它的 shape是 (B,C,H,W) ,具体地即 (1,C,H,W) 那么 [0]之后便得到 形状为 (C,H,W) 的 tensor
=color_data = F.interpolate(
color_data[None], self.crop_size, mode='bilinear', align_corners=True)[0]
…
T = torch.rand([2,6])
print(T)
T1 = T[...,None,None,1:]
print("T1 size",T1.shape)
print("T1",T1)
tensor([[0.5393, 0.4695, 0.2123, 0.4500, 0.1761, 0.7912],
[0.5652, 0.5397, 0.0455, 0.1156, 0.1900, 0.0085]])
T1 size torch.Size([2, 1, 1, 5])
T1 tensor([[[[0.4695, 0.2123, 0.4500, 0.1761, 0.7912]]],
[[[0.5397, 0.0455, 0.1156, 0.1900, 0.0085]]]])
注意,T1,的shape 首先看 1:
,然后看...
。
...
是剩余维度吧