Pytorch--Tensor的维度变换

最新推荐文章于 2024-04-01 17:15:07 发布
最新推荐文章于 2024-04-01 17:15:07 发布
阅读量629 收藏 3
点赞数 1
分类专栏： Pytorch 文章标签： python pytorch 深度学习 神经网络 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/caixiaobaideye/article/details/119782856
版权

目录

Pytorch--Tensor的维度变换

1、View/reshape

2、Squeeze/unsqueeze

3、Expand / repeat

4、其他方法

4.1、.t（）

4.2、Transpose（）

4.3、permute（）

Pytorch--Tensor的维度变换

1、View/reshape

view

在变换过程中size相乘必须一样才可以变换

 

view操作会丢失dim信息

2、Squeeze/unsqueeze

unsqueeze

 [-a.dim()-1, a.dim()+1)

在这个范围内添加维度

0~a.dim()+1，是往下标的左边添加维度

例子：

squeeze

 

默认将所有维度信息为1的维度去除

传参传入，若相应下标为1则去除对应维度，不为1则保持不变

 3、Expand / repeat

Expand: broadcasting

Repeat: memory copied

一般用expand速度快（直接传入相应要变化的维度就好了）传入-1意思不改变维度

repeat传入的是要变化的倍数

4、其他方法

4.1、.t（）

进行转置，只能是2维

4.2、Transpose（）

 传入两个index，对指定index的维度进行交换

4.3、permute（）

重置维度的顺序

b.permute(0,1,2,3)即保持不变

b.permute(0,2,3,1)即123发生交换位置

 

我和代码有个约会.
关注
  • 1
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
PyTorch中Tensor的维度变换实现
09-18
以下将详细介绍PyTorch中Tensor的维度变换方法。 首先，我们可以使用`torch.Tensor.size()`来查看Tensor的维度。这个方法返回一个Size对象，列出了Tensor的各个轴的长度。例如，在给定的例子中，`a.size()`返回`...
pytorch中tensor的合并与截取方法
12-25
合并： torch.cat(inputs=(a, b), dimension=... 您可能感兴趣的文章:详解PyTorch中Tensor的高阶操作在PyTorch中Tensor的查找和筛选例子PyTorch中Tensor的维度变换实现在pytorch中为Module和Tensor指定GPU的例子pytorc
pytorch 调整某一维度数据顺序的方法
09-19
今天小编就为大家分享一篇pytorch 调整某一维度数据顺序的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
pytorch实践学习---5.维度变换
dyyay521的博客
05-31 903
1.维度变换有如下几个操作：
Tensor相关的不同维度变换操作
最新发布
Maxcu的博客
04-01 1051
Tensor相关的不同维度变换操作
pytorch 调整某一维度数据顺序
SYSU_BOND的博客
05-12 1万+
pytorch 调整Tensor某一维度数据的顺序 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...
Pytorch之permute函数:用于调换不同维度的顺序，BCHW -＞ NCHW
计算机视觉
12-22 6051
https://zhuanlan.zhihu.com/p/76583143 非常方便 MY transpose与permute的异同 Tensor.permute(a,b,c,d, ...)：permute函数可以对任意高维矩阵进行转置，但没有 torch.permute() 这个调用方式， 只能 Tensor.permute()： 可以从链接中看到 ...
pyTorch入门练习-PyTorch入门教程.md
03-18
包括创建、算术运算、切片索引、维度变换、Tensor和NumPy数组之间的转换等。 3. 介绍了PyTorch的自动微分(Autograd)机制,展示了如何利用自动微分计算导数和梯度。 4. 通过一个简单的前馈神经网络示例,展示了如何...
03PyTorch入门-new.pptx
08-29
- 尽管PyTorch张量和NumPy数组在许多操作上有相似之处，如切片、形状变换和数学运算，但它们在数据类型、运算位置（CPU vs GPU）以及额外特性（如自动求导）上存在差异。 - PyTorch张量提供类似但不完全相同的函数...
pytorch中tensor维度顺序
会飞的猪的博客
12-07 7689
B,C,H,W
对numpy数组和torch.Tensor维度顺序进行调整
Cretheego的博客
01-27 1437
维度顺序进行调整
【Pytorch入门】Tensor维度变换
qq_46258819的博客
01-25 2765
Pytorch学习笔记——Tensor维度变换 view（）/reshape（） torch.view(arg1,arg2....) 作用：类似于numpy中的resize（）的功能，重构tensor的维度，返回一个有相同数据但不同大小的tensor 简单来讲，就是把原先tensor中的数据按照行优先的顺序排成一个一维数组，然后根据参数组合成其他维度的tensor example: 首先我们构造两个张量a（[1,2,3,4,5,6]）,b（[[1,2,3],[4,5,6]]），对其执行view操作后，输出结
pytorch转换矩阵的维数位置
邹小驴
07-06 5090
例如：preds = to_numpy(preds)#preds是[2985x16x2] preds = preds.transpose(2, 1, 0)#preds[2x16x2985]
目标检测——各个框架下Tensor和矩阵的维度次序
墨门
06-11 310
1 致谢 感谢网友凌风玉提供的资料， 博文链接：https://blog.csdn.net/oLingFengYu/article/details/88033668 2 不同框架下Tensor和矩阵的维度次序 N: batch; C: channel H: height W: width Pytorch中Tensor的通道顺序：NCHW ...
torch中permute()函数用法
热门推荐
ac不知深的博客
10-18 4万+
前言：本文只讨论二维三维中的permute用法 最近的Attention学习中的一个permute函数让我不理解 这个光说太抽象 我就结合代码与图片解释一下 首先创建一个三维数组小实例 import torch x = torch.linspace(1, 30, steps=30).view(3,2,5) # 设置一个三维数组 print(x) print(x.size()) # 查看数组的维数 这里为了防止出现维数数值相同的巧合局面（例如三维数组（3,3,3）或者（2,4,4）等） 输出
permute函数_Pytorch之permute函数
weixin_39547298的博客
11-25 1446
1 先看看官方中英文doc： torch.Tensor.permute (Python method, in torch.Tensor)1.1 permute(dims)将tensor的维度换位。参数： - __dims__ (int ..*) - 换位顺序例：>>> x = torch.randn(2, 3, 5) >>> x.size() torch...
PyTorch中permute的用法详解
xidaoliang的博客
05-12 4060
函數功能：将tensor的维度换位 参数：参数是一系列的整数，代表原来张量的维度。比如三维就有0，1，2这些dimension。 例： import torch import numpy as np a=np.array([[[1,2,3],[4,5,6]]]) unpermuted=torch.tensor(a) print(unpermuted.size()) # ——> torch.Size([1, 2, 3]) #tensor([[1, 2, 3], [4, 5, 6]
batch_size = x.size(0) tlist=[] for i in range(x.size(0)): y = x[i, :, :, :] y = y.permute(1, 2, 0) y = y.squeeze(2) y = y.cpu().numpy() img_norm_int = (y * 255).astype(np.uint8) img_255 = img_norm_int / img_norm_int.max() * 255 y = img_255.astype(np.uint8) lines = self.lsd.detect(cv2.convertScaleAbs(y))[0] if len(lines)<5: lines=cut_segments(lines, 5) lines=torch.tensor(lines) lines = np.array(lines) indices = np.arange(len(lines)) np.random.shuffle(indices) indices = indices[:5] lines = lines[indices] lines = torch.from_numpy(lines) if lines.shape == [5,1,4]: lines = torch.squeeze(lines,dim=1) tlist.append(lines) x = torch.stack(tlist, dim=0)
06-11
这段代码的作用是对输入的 `x` 张量进行预处理，并且返回一个新的张量 `x`，用于后续的处理。具体来说，它首先对输入的 `x` 张量进行循环，对每一个样本进行处理。对于每一个样本，它会进行以下步骤： 1. 将张量的第一维作为 batch_size，即 `batch_size = x.size(0)`。 2. 将张量沿着第一个维度进行循环，即 `for i in range(x.size(0)):`。 3. 将输入的 `x` 张量的第一个维度（batch_size）去掉，保留后面的三个维度作为一张图片的尺寸。 4. 对于每张图片，先将通道维度移到最后一个维度上，即 `y = y.permute(1, 2, 0)`。 5. 去掉通道维度，即 `y = y.squeeze(2)`。 6. 将图片转换为 numpy 数组，即 `y = y.cpu().numpy()`。 7. 对数组进行归一化，并转换为 uint8 类型，即 `img_norm_int = (y * 255).astype(np.uint8)`。 8. 将归一化后的数组进行缩放到 0-255 的范围内，即 `img_255 = img_norm_int / img_norm_int.max() * 255`。 9. 将缩放后的数组转换为 uint8 类型，即 `y = img_255.astype(np.uint8)`。 10. 通过 LSD 算法检测出图片中的线段，即 `lines = self.lsd.detect(cv2.convertScaleAbs(y))[0]`。 11. 判断检测出的线段是否小于 5 条，如果小于 5 条，则进行截取（即 `lines=cut_segments(lines, 5)`），补齐为 5 条，并转换为张量（即 `lines=torch.tensor(lines)`）。 12. 将线段转换为 numpy 数组，随机选择其中的 5 条线段（即 `indices = np.arange(len(lines))`、`np.random.shuffle(indices)`、`indices = indices[:5]`、`lines = lines[indices]`），并将其转换为张量（即 `lines = torch.from_numpy(lines)`）。 13. 如果线段的形状为 `[5,1,4]`，则将其压缩为 `[5,4]`。否则，不做处理（即 `if lines.shape == [5,1,4]:`、`lines = torch.squeeze(lines,dim=1)`）。 14. 将处理后的线段张量添加到 `tlist` 列表中（即 `tlist.append(lines)`）。 15. 将处理后的线段张量列表 `tlist` 堆叠成一个新的张量 `x`，并作为函数的返回值，即 `x = torch.stack(tlist, dim=0)`。 如果您有其他问题，可以继续提出。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值