一文打通pytorch中几个常见的张量操作

在张量操作中，unsqueeze,squeeze,reshape,view

1. unsqueeze

• 功能: 在指定维度上增加一个新的维度，通常用于将一维张量扩展为二维，以便符合批处理的要求。
• 举例:

  import torch
  
  x = torch.tensor([1, 2, 3])  # Shape: (3,)
  y = x.unsqueeze(0)           # Shape: (1, 3)
  print(y)
  

  • 数值示例: x 是 [1, 2, 3]，形状为 (3,)。使用 unsqueeze(0) 后，形状变为 (1, 3)，结果为 [[1, 2, 3]]。

2. expand

• 功能: 通过复制数据来扩展张量的尺寸，而不增加新的维度。它不会在内存中实际复制数据，而是通过广播机制实现。
• 举例:

  import torch
  
  x = torch.tensor([1, 2, 3])   # Shape: (3,)
  y = x.unsqueeze(0)            # Shape: (1, 3)
  z = y.expand(3, 3)            # Shape: (3, 3)
  print(z)
  

  • 数值示例: y 是 [[1, 2, 3]]，形状为 (1, 3)。使用 expand(3, 3) 后，形状变为 (3, 3)，结果为 [[1, 2, 3], [1, 2, 3], [1, 2, 3]]。

3. reshape

• 功能: 改变张量的形状，只要元素的总数保持不变。
• 举例:

  import torch
  
  x = torch.tensor([1, 2, 3, 4])  # Shape: (4,)
  y = x.reshape(2, 2)             # Shape: (2, 2)
  print(y)
  

  • 数值示例: x 是 [1, 2, 3, 4]，形状为 (4,)。使用 reshape(2, 2) 后，形状变为 (2, 2)，结果为 [[1, 2], [3, 4]]。

4. view

• 功能: 类似于 reshape，但要求张量在内存中是连续的。它改变张量的形状，但不改变数据的存储方式。
• 举例:

  import torch
  
  x = torch.tensor([1, 2, 3, 4])  # Shape: (4,)
  y = x.view(2, 2)                # Shape: (2, 2)
  print(y)
  

  • 数值示例: x 是 [1, 2, 3, 4]，形状为 (4,)。使用 view(2, 2) 后，形状变为 (2, 2)，结果为 [[1, 2], [3, 4]]。

5. squeeze

• 功能: 去除张量中尺寸为 1 的维度。
• 举例:

  import torch
  
  x = torch.tensor([[[1, 2, 3]]])  # Shape: (1, 1, 3)
  y = x.squeeze()                  # Shape: (3,)
  print(y)
  

  • 数值示例: x 是 [[[1, 2, 3]]]，形状为 (1, 1, 3)。使用 squeeze() 后，形状变为 (3,)，结果为 [1, 2, 3]。

总结：

• unsqueeze: 增加一个新维度。示例：从 [1, 2, 3] 变为 [[1, 2, 3]]。
• expand: 扩展现有维度的大小。示例：从 [[1, 2, 3]] 变为 [[1, 2, 3], [1, 2, 3], [1, 2, 3]]。
• reshape: 重新排列数据的形状。示例：从 [1, 2, 3, 4] 变为 [[1, 2], [3, 4]]。
• view: 与 reshape 类似，但有内存连续性要求。示例：从 [1, 2, 3, 4] 变为 [[1, 2], [3, 4]]。
• squeeze: 删除尺寸为 1 的维度。示例：从 [[[1, 2, 3]]] 变为 [1, 2, 3]。