2021-10-25

pytorch中的两种转置函数的区别

transpose()
permute()

transpose()
torch.transpose(input, dim0, dim1, out=None) → Tensor

函数返回输入矩阵input的转置。交换维度dim0和dim1

参数:

input (Tensor) – 输入张量，必填
dim0 (int) – 转置的第一维，默认0，可选
dim1 (int) – 转置的第二维，默认1，可选

两个相关的交换的位置参数。

permute()

参数：

dims (int…*)-换位顺序

返回转置后矩阵。
可以操作高纬矩阵，permute在高维的功能性更强。

# 创造二维数据x，dim=0时候2，dim=1时候3

x = torch.randn(2,3)       'x.shape  →  [2,3]'

# 创造三维数据y，dim=0时候2，dim=1时候3，dim=2时候4

y = torch.randn(2,3,4)   'y.shape  →  [2,3,4]'

# 对于transpose

x.transpose(0,1)     'shape→[3,2] '  
x.transpose(1,0)     'shape→[3,2] '  
y.transpose(0,1)     'shape→[3,2,4]' 
y.transpose(0,2,1)  'error，操作不了多维'

# 对于permute()

x.permute(0,1)     'shape→[2,3]'
x.permute(1,0)     'shape→[3,2], 注意返回的shape不同于x.transpose(1,0) '
y.permute(0,1)     "error 没有传入所有维度数"
y.permute(1,0,2)  'shape→[3,2,4]'
#复制代码
#合法性不同
torch.transpose(x)合法， x.transpose()合法。
tensor.permute(x)不合法，x.permute()合法。

参考第二点的举例

操作dim不同：
transpose()只能一次操作两个维度；permute()可以一次操作多维数据，且必须传入所有维度数，因为permute()的参数是int*。
复制代码
transpose()中的dim没有数的大小区分；permute()中的dim有数的大小区分
举例，注意后面的shape：

# 对于transpose，不区分dim大小

x1 = x.transpose(0,1)   'shape→[3,2] '  
x2 = x.transpose(1,0)   '也变换了，shape→[3,2] '  
print(torch.equal(x1,x2))
' True ，value和shape都一样'

# 对于permute()

x1 = x.permute(0,1)     '不同transpose，shape→[2,3] '  
x2 = x.permute(1,0)     'shape→[3,2] '  
print(torch.equal(x1,x2))
'False，和transpose不同'

y1 = y.permute(0,1,2)     '保持不变，shape→[2,3,4] '  
y2 = y.permute(1,0,2)     'shape→[3,2,4] '  
y3 = y.permute(1,2,0)     'shape→[3,4,2] '  

用view()函数改变通过转置后的数据结构，导致报错

RuntimeError: invalid argument 2: view size is not compatible with input tensor's....

这是因为tensor经过转置后数据的内存地址不连续导致的,也就是tensor . is_contiguous()==False
虽然在torch里面，view函数相当于numpy的reshape，但是这时候reshape()可以改变该tensor结构，但是view()不可以

复制代码

x = torch.rand(3,4)
x = x.transpose(0,1)
print(x.is_contiguous()) # 是否连续

‘False’

x.view(3,4)

‘’’
RuntimeError: invalid argument 2: view size is not compatible with input tensor’s…
就是不连续导致的
‘’’
# 添加函数

x = x.contiguous()
x.view(3,4)

x = torch.rand(3,4)
x = x.permute(1,0) # 等价x = x.transpose(0,1)
x.reshape(3,4)

说明x.reshape(3,4) 这个操作
等于x = x.contiguous().view()
尽管如此，但是我们还是不推荐使用reshape
除非为了获取完全不同但是数据相同的克隆体
‘’’
调用contiguous()时，会强制拷贝一份tensor
每次在使用view()之前，该tensor只要使用了transpose()和permute()这两个函数一定要contiguous().