【学习笔记】Pytorch的Tensor形状操作

Torch库对张量的形状操作

torch库对张量形状的操作有以下几个函数：torch.reshape()、torch.permute()、torch.transpose()、torch.view()。
相关的函数还有：torch.contiguous。

torch.view()

torch.view(*shape)的输入参数为：torch.size()或者int
且返回的数据大小需要与原数据相同，此时新的数据与原数据共享同一内存空间，只是由于读取的方式不同，从而生成了不同的形状。

torch官方的运行例子：

x = torch.randn(4, 4)
x.size()
# torch.Size([4, 4])
y = x.view(16)
# torch.Size([16])
y.size()
z = x.view(-1, 8)  # -1 表示由其他维度决定该维度的大小
z.size()
# torch.Size([2, 8])

torch.reshape()

torch.reshape(input,shape)的输入参数为：
input：原张量
shape：由int组成的tuple
torch官方的运行例子：

a = torch.arange(4.)
torch.reshape(a, (2, 2))
# tensor([[ 0.,  1.],
#        [ 2.,  3.]])
b = torch.tensor([[0, 1], [2, 3]])
torch.reshape(b, (-1,))
# tensor([ 0,  1,  2,  3])

当reshape之后的张量维度与原张量相同时，reshape的操作与view相同。

a = torch.randn(1, 2, 3, 4)
a.size()
# torch.Size([1, 2, 3, 4])
b = a.reshape(1, 3, 2, 4)  # Swaps 2nd and 3rd dimension
b.size()
# torch.Size([1, 3, 2, 4])
c = a.view(1, 3, 2, 4)  # Does not change tensor layout in memory
c.size()
# torch.Size([1, 3, 2, 4])
torch.equal(b, c)
# True

torch官方的运行例子：

a = torch.randn(1, 2, 3, 4)
a.size()
# torch.Size([1, 2, 3, 4])
b = a.transpose(1, 2)  # Swaps 2nd and 3rd dimension
b.size()
# torch.Size([1, 3, 2, 4])
c = a.view(1, 3, 2, 4)  # Does not change tensor layout in memory
c.size()
# torch.Size([1, 3, 2, 4])
torch.equal(b, c)
# False

torch.contiguous()

返回的为以当前形状张量的构成的内存结构。

t = torch.tensor([[2, 1, 3], [4, 5, 9]])
t2 = t.transpose(0, 1)

t3 = t2.contiguous()
print(t3.view(-1))
# tensor([2, 4, 1, 5, 3, 9])
t4 = t2.reshape(-1)
print(t4)
# tensor([2, 4, 1, 5, 3, 9])

当reshape的维度与原张量不符时，原张量就会进行contiguous操作之后再进行view。

torch.transpose()

torch.transpose(input,dim0,dim1) 的输入参数为：
input：输入的张量
dim0，dim1：张量的维度,为int类型

能够交换两个维度

torch.permute()

torch.permute(input,dims)的输入参数为：
imput：输入的张量
dims：新构成的张量维度，由int组成的tuple。

参考链接：https://blog.csdn.net/qq_37828380/article/details/107855070