【input.view().permute().contiguous()】 Pytorch中tensor.view().permute().contiguous()函数理解

1 何处用到

yolov3中有一行这样的代码，在此记录一下三个函数的含义

例子中batch_size为int，len(self.anchors_mask[i])=3，self.bbox_attrs=25(voc数据集)，input_height, input_width两个参数也均为int。

prediction = input.view(batch_size, len(self.anchors_mask[i]),
                                    self.bbox_attrs, input_height, input_width).permute(0, 1, 3, 4, 2).contiguous()

2 view()

view变换维度，把原先tensor中的数据按行优先的顺序排成一个一维数据，然后按照输入参数要求，组合成其他维度的tensor。

import torch

a=torch.Tensor([[[1,2,3],[4,5,6]]])      #  ——>  torch.Size([1, 2, 3])
print(a.view(3,2))      #  ——>  torch.Size([3, 2])

输出：

tensor([[1., 2.],
        [3., 4.],
        [5., 6.]])

3 permute()

permute将tensor中任意维度利用索引调换。b=a.permute(2,0,1)，permute里的参数对应的是张量a的维度索引，利用索引来对内部数据调换。
a.permute(2,0,1)：把a的最后一个维度放到最前面。

import torch

inputs = [[[1, 2 ,3], [4, 5, 6]],
          [[7, 8, 9], [10, 11, 12]]]

inputs = torch.tensor(inputs)
print("inputs:", inputs, inputs.shape)

outputs = inputs.permute(0, 2, 1)
print("outputs:", outputs, outputs.shape)

输出：

inputs: tensor([[[ 1,  2,  3],
         [ 4,  5,  6]],

        [[ 7,  8,  9],
         [10, 11, 12]]]) torch.Size([2, 2, 3])
outputs: tensor([[[ 1,  4],
         [ 2,  5],
         [ 3,  6]],

        [[ 7, 10],
         [ 8, 11],
         [ 9, 12]]]) torch.Size([2, 3, 2])

4 contiguous()

细致理解Pytorch数据布局方式和内存关系可以参考链接

仅理解contiguous()函数，可以理解为一次深拷贝

当调用contiguous()时，会强制拷贝出一份tensor，让它的布局和从头创建的一模一样，但是两个tensor完全没有联系。

5 感谢链接

https://blog.csdn.net/kdongyi/article/details/108180250