pytorch学习笔记（六）——Tensor维度变换

Tensor维度变换

view/reshape 变换前后tensor的size(乘积)大小要不变

a = torch.rand(4,1,28,28)  #4张通道为1（灰度）长宽为28行28列的图片
a.shape # torch.Size([4,1,28,28])

a.view(4,28*28)  # 忽略图片上下左右位置信息和通道信息，变成二维信息，适用于全连接层
a.shape  # torch.Size([4,784])

a.view(4*28,28)  #合并前三个，把所有照片的所有通道的所有行放在一个维度N，变成(N,28)只关心每行的数据
a.shape  # torch.Size([112,78])

a.view(4*1,28,28)  #不关注是哪张照片不关注哪个通道，只关注featuremap
a.shape  # torch.Size([4,78,78])

b = a.view(4,784)
b = a.view(4,78,78,1)  # 这种变换符合语法，但造成数据污染
#还原时因为不知道a原本的形状(b,c,h,w)，可能在语法可行的情况下造成数据丢失污染(b,h,w,c)

unsqueeze

a.shape # torch.Size([4,1,28,28])
a.unsqueeze(0).shape  # 在a的0维度(索引)前插入一个维度
a.shape # torch.Size([1,4,1,28,28])  # 新加维度可以理解为一个集合或者一个组

a.unsqueeze(-1).shape  # 在a的-1维度(索引)后插入一个维度
a.shape # torch.Size([4,1,28,28,1])  # 新加维度可以理解为一个集合或者一个组

a = torch.tensor([1.2,2.3]) # [2]
a.unsqueeze(-1)  #[2,1]
tensor([[1.2000],
        [2.3000]])

a.unqueeze(0) #[1,2]
tensor([[1.2000,2.3000]])

实例，如需进行b+f操作需要进行如下变换： 

squeeze

b.shape  # torch.Size([1,32,1,1])
b.squeeze().shape  #torch.Size([32])  不给定参数会把能挤压的维度（dim=1）全部挤压
b.squeeze(0).shape  #torch.Size([32,1,1])
b.squeeze(-1).shape  #torch.Size([1,32,1])
b.squeeze(1).shape  #torch.Size([1,32,1,1]) 32不能挤压所以不变

扩展维度Expand / repeat

Expand: broadcasting 只改变了理解方式不增加数据√ 扩展时维度要相同且只能对于dim=1操作 传入的是新的shape

Repeat: memory copied 会增加数据 扩展时维度要相同 传入的是拷贝次数

a = torch.rand(4,32,14,14) 
b.shape  # torch.Size([1,32,1,1])
b.expand(4,32,14,14).shape  # torch.Size([4,32,14,14]) 把b[1,32,1,1]->[4,32,14,14]
b.expand(-1,32,-1,-4).shape  # torch.Size([1,32,1,-4]) -1表示该维度不变，-4是无意义的

b.shape  # torch.Size([1,32,1,1])
b.repeat(4,32,1,1).shape  # torch.Size([4,1024,1,1])
b.repeat(4,1,1,1).shape  # torch.Size([4,32,1,1])

矩阵的转置

.t 只适用于2D的矩阵 两两交换

 transpose 两两交换

 permute 可以重新对所有维度排序 可以完成任意交换