15. 数据维度转换 -- torch.reshape

数据维度转换 torch.reshape()

1. 为什么要使用 reshape() 函数

• 对于不同的网络结构如：一维卷积核、二维卷积核等，对输入数据维度要求并不相同，reshape()函数提供了非常方便的数据维度转换功能
• torch.reshape() 提供了数据维度转换功能，在使用对数据维度有一定限制的网络结构时，一定要注意维度问题！！

2. 维度问题实例

• nn.Conv2d()接受的数据的维度必须是 (N, C, H, W)四维 或者 (C, H, W)三维的Tensor数据，对于下面的样例，就是因为数据维度问题而报错

  torch.manual_seed(0)
  input = torch.Tensor([[1, 2, 3], 
                        [4, 5, 6], 
                        [7, 8, 9]]) # torch.Size([3, 3])
  conv = nn.Conv2d(in_channels=1,
                   out_channels=1,
                   kernel_size=(2, 2),)
  output = conv(input)
  # RuntimeError: Expected 3D (unbatched) or 4D (batched) input to conv2d, but got input of size: [3, 3]
  

  • (N, C, H, W):N表示多少数据数量，C表示数据的通道数，H表示数据的行数，W表示数据的列数
  • 输入数据为三维 (C, H, W)：表示需要进行卷积的数据只有一个通道数为C行数为H列数为W，在图像处理中具体表现为只需要卷积一张图片数据
  • 输入数据为思维 (N, C, H, W): 表示共计有N个数据需要进行卷积，是一个数量为N的批处理

3. torch.reshape() 函数介绍

• 为了保证数据的维度正确，在进行卷积之前，可以使用 torch.reshape() 函数塑造数据格式

  • torch.reshape(input, shape)介绍
    • input:指定需要传入的数据
    • shape:使用元组形式表明需要设置的数据的维度
    • 指定的shape的元素数量一定要和input中的元素数量相对应，可以使用-1让函数自动计算某个维度的数量，一个shape参数只能包含一个-1
    • 函数以行优先策略编排数据元素

4. torch.reshape()函数使用实例

• 设二维Tensor(3*3)，模拟一张(3*3)的图像，需要进行卷积

  torch.manual_seed(0)
  input = torch.Tensor([[1, 2, 3], 
                        [4, 5, 6], 
                        [7, 8, 9]]) # torch.Size([3, 3])
  input = torch.reshape(input = input,
                       shape = (-1, 3, 3)) 
  input.shape # torch.Size([1, 3, 3])
  

  • 在图像处理中，其实图像数据本身的维度是知道的，类似于上例中的二维数据模拟一个 3*3 的图像，我们想将它扩充为三维数据，在指定shape=(-1, 3, 3)时，会自动计算对应位置的个数

• 设二维Tensor(3*9)，模拟了一张三通道的图像，需要进行卷积，每个通道在第二个维度上堆叠构建成输入数据

  torch.manual_seed(0)
  input = torch.Tensor([[1, 2, 3], 
                        [4, 5, 6], 
                        [7, 8, 9],
                        [10, 11, 12],
                        [13, 14, 15],
                        [16, 17, 18],
                        [19, 20, 21],
                        [22, 23, 24],
                        [25, 26, 27]]) # torch.Size([3, 9]) 
  input = torch.reshape(input = input,
                       shape = (-1, 3, 3)) 
  input.shape # torch.Size([3, 3, 3])
  

  • torch.reshape 会直接计算确定通道数，不需要直接指定

• 同样对于上面的例子，假设不是三通道图像，而是三张一通道图像在第二维度上的堆叠，构建了输入数据

  torch.manual_seed(0)
  input = torch.Tensor([[1, 2, 3], 
                        [4, 5, 6], 
                        [7, 8, 9],
                        [10, 11, 12],
                        [13, 14, 15],
                        [16, 17, 18],
                        [19, 20, 21],
                        [22, 23, 24],
                        [25, 26, 27]]) # torch.Size([3, 9]) 
  input = torch.reshape(input = input,
                       shape = (-1, 1, 3, 3)) 
  input.shape # torch.Size([3, 1, 3, 3])
  

  • 指定的 shape=(-1, 1, 3, 3) 函数将根据后三项 (1, 3, 3) 图像数据中表示为一通道3*3的图像，通过行优先策略确定批数据中的图像数量 N。

总而言之：torch.reshape() 提供了数据维度转换功能，在使用对数据维度有一定限制的网络结构时，一定要注意维度问题！！