1、permute,具体的例子如下:
import torch
a = torch.tensor([[[1, 2, 3], [4, 5, 6],[7,8,9],[11,12,13]]])
grid_x = torch.arange(5).repeat((5, 1)).view((1, 1, 5, 5)).float()
# 格式:1,1,5,5
grid_y = grid_x.permute(0, 1, 3, 2)
print(grid_x)
print(grid_y)
结果如下:
tensor([[[[0., 1., 2., 3., 4.],
[0., 1., 2., 3., 4.],
[0., 1., 2., 3., 4.],
[0., 1., 2., 3., 4.],
[0., 1., 2., 3., 4.]]]])
tensor([[[[0., 0., 0., 0., 0.],
[1., 1., 1., 1., 1.],
[2., 2., 2., 2., 2.],
[3., 3., 3., 3., 3.],
[4., 4., 4., 4., 4.]]]])
可以观察到最后两个维度上面的数字进行了互换。
2、trnspose的具体用法如下:
import torch
a = torch.tensor([[[1, 2, 3], [4, 5, 6],[7,8,9],[11,12,13]]])
print(a.size())
print(a)
dd=torch.transpose(a,0,2)
print(dd.size())
print(dd)
结果如下:
torch.Size([1, 4, 3])
tensor([[[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[11, 12, 13]]])
torch.Size([3, 4, 1])
tensor([[[ 1],
[ 4],
[ 7],
[11]],
[[ 2],
[ 5],
[ 8],
[12]],
[[ 3],
[ 6],
[ 9],
[13]]])
3、view的具体用法:
import torch
a = torch.tensor([[[1, 2, 3], [4, 5, 6],[7,8,9],[11,12,13]]])
aa=a.view((1,3,4))
print(aa.size())
print(aa)
运行结果如下:
torch.Size([1, 3, 4])
tensor([[[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 11, 12, 13]]])
总结:
1、在数据方面:stack和transpose会改变原来数据的分布,而view就不会出现这种情况,view还会继续保留原来的数据分布。
2:stack能同时改变多个维度的数据分布,但是transpose一次只能改变两个维度的数据。