PyTorch深度学习基础---Tensor的变换、拼接和拆分

PyTorch提供了大量的对Tensor进行操作的函数或方法

这些函数内部使用指针实现对矩阵的形状变化、拼接和拆分等操作

1、Tensor.nelement

Tensor.nelement用来查看矩阵元素的个数

例：

输出为：

2、Tensor.ndimension

Tensor.ndimension用来查看矩阵元素的轴的个数

例：

输出为：

3、ndimension.size

ndimension.size用来查看矩阵元素的维度

属性Tensor.shape也可以用来查看Tensor的维度

例：

输出为：

4、Tensor.view和Tensor.reshape

PyTorch中，Tensor.view和Tensor.reshape都能被用来更改Tensor的维度。

区别：

1、Tensor.view

Tensor.view要求Tensor的物理存储必须是连续的，否则将会报错。Tensor.view返回的一定是一个索引，更改返回值，则原始值同样被更改。

例：

输出为：

2、Tensor.reshape

Tensor.reshape则没有这种要求。Tensor.reshape返回的是引用还是复制是不确定的。

例：

（1）

输出为：

（2）

输出为：

相同点：

1、都是接收要输出的维度作为参数

2、输出的矩阵元素个数不能改变

3、可以在维度中输入-1

4、PyTorch会自动推断它的数值

5、torch.squeeze和torch.unsqueeze

torch.squeeze和torch.unsqueeze用于去掉和添加轴

1、torch.squeeze

torch.squeeze用于去掉维度为1的轴。

例：

输出为：

2、torch.unsqueeze

torch.unsqueeze用于给Tensor的指定位置添加一个维度为1的轴。

例：

输出为：

6、torch.t和torch.transpose

这两个函数只接收二维Tensor

tensor.t是torch.transpose的简化版

例：

输出为：

7、permute

对于高维度Tensor，可以使用permute方法来变化维度。

例：

输出为：

8、torch.cat和torch.stack

PyTorch提供了torch.cat和torch.stack用于拼接矩阵。

不同：

1、torch.cat在已有的轴dim上拼接矩阵

2、给定轴的维度可以不同，而其他轴的维度必须相同。

3、torch.stack在新的轴上拼接，它要求被拼接的矩阵的所有维度都相同。

例：

下例可以清楚地表明它们的使用方法和区别：

（1）torch.cat：

输出为：

（2）torch.stack：

输出为:

9、torch.split和torch.chunk

除了拼接矩阵，PyTorch还提供torch.split和torch.chunk用于拆分矩阵。

不同：

1、torch.split传入的是拆分后每个矩阵的大小

2、可以传入list，也可以传入整数

3、torch.chunk传入的是拆分的矩阵个数

例：

（1）

输出为：

（2)

输出为：

（3）

输出为：

10、代码：

import torch

a = torch.rand(1,2,3,4,5)
print("元素个数：",a.nelement())
print("轴的个数：",a.ndimension())
print("矩阵维度：",a.size(),a.shape)

b = a.view(2*3,4*5)
print(b.shape)

c = a.reshape(-1)
print(c.shape)

d = a.reshape(2*3,-1)
print(d.shape)

a = torch.rand(1,2,3,4,5)
b = torch.squeeze(a)
print(torch.unsqueeze(b,0).shape)

a = torch.tensor([[2]])
b = torch.tensor([[2,3]])
print(torch.transpose(a,1,0))
print(torch.t(a))
print(torch.transpose(b,1,0))
print(torch.t(b))

a = torch.rand((1,224,224,3))
print(a.shape)
b = a.permute(0,3,1,2)
print(b.shape)

a = torch.randn(2,3)
b = torch.randn(3,3)
#默认维度为dim=0
c = torch.cat((a,b))
d = torch.cat((b,b,b),dim=1)

print(c.shape)
print(d.shape)

b = torch.randn(3,3)
c = torch.stack((b,b),dim=1)
d = torch.stack((b,b),dim=0)
print(c.shape)
print(d.shape)

a = torch.randn(10,3)
for x in torch.split(a,[1,2,3,4],dim=0):
    print(x.shape)

for x in torch.split(a,4,dim=0):
    print(x.shape)

for x in torch.chunk(a,4,dim=0):
    print(x.shape)