关于torch中permute和Transpose 的一点理解

目录

Tensor.permute（d0,d1,d2,d2)

torch.Transpose(Tensor, a,b)

---

参考 PyTorch 高维矩阵转置 Transpose 和 Permute ；这里只讲了 permute和Transpose ，

其它相关的函数可参考：

【1】一文掌握torch.squeeze() 和torch.unsqueeze()的用法

【2】pytorch中x = x.view(x.size(0), -1) 的理解

Tensor.permute（d0,d1,d2,d2)

注：但没有 torch.permute() 这个调用方式， 只能 Tensor.permute()。

        我们可以把这个permute的过程这样理解；把tensor中的各维度上的值和编号对应，那么

  对于tensor（0，1，2，3），permute（d0,d1,d2,d2)分别把 0和d0、1和d1、2和d2、3和d3的维度值交换，并且 

 d0，d1,d2,d3就是0，1，2，3的一个排列； 

注：这里的维度值表示的是在该维度上有多少个数据；eg.对于二维的tensor（3，4）表示3行4列； 0表示行，1表示列。

import torch
image = torch.randn(1,16 ,256, 256)  # torch.randn标准正态分布

image = image.permute(1,0,2,3)
print(image.shape)#torch.Size([16, 1, 256, 256])

 

 

 

 

 

---

torch.Transpose(Tensor, a,b)

连续使用transpose也可实现permute的效果。

transpose只能操作2D矩阵的转置。  0表示行，1表示列。

torch.transpose(Tensor, 1, 0)

#   transpose 一次只能有两个参数，否则报错了会！！

e = a.transpose(2,0,1)

print(e)

print(e.size())

#  TypeError: transpose() takes 2 positional arguments but 3 were given 

 

 

 

# torch.rand 产生均匀分布的随机数

torch.rand(2,3,4,5).transpose(3,0).transpose(2,1).transpose(3,2).shape
Out: torch.Size([5, 4, 2, 3])

 

 

torch.rand(2,3,4,5).transpose(1,0).transpose(2,1).transpose(3,1).shape

# Out: torch.Size([3, 5, 2, 4])