深度学习pytorch——Tensor维度变换（持续更新）

view()打平函数

需要注意的是打平之后的tensor是需要有物理意义的，根据需要进行打平，并且打平后总体的大小是不发生改变的。

并且一定要谨记打平会导致维度的丢失，造成数据污染，如果想要恢复到原来的数据形式，是需要靠人为记忆的。

现在给出一个tensor——a.shape=torch.Size([4, 1, 28, 28])，打平a.view(4,1*28*28)，此时a.view(4,1*28*28).shape=torch.Size([4, 784])。

当然也可以向高维度：b.shape=torch.Size([4, 784])，打平b.view(4,28,28,1)，此时b.view(4,28,28,1).shape=torch.Size([4, 28, 28, 1])

unsqueeze()维度增加

当使用unsqueeze()方法时，此时概念会发生改变，会为数据增加一个组别，这个组别的含义由自己定义。

语法：unsqueeze(index) 如果index为正，则在索引之前加入；如果index为负，则在索引之后加入

代码演示：

# a.shape : torch.Size([4, 1, 28, 28])
# index 为正
print(a.unsqueeze(0).shape)
# torch.Size([1, 4, 1, 28, 28])
print(a.unsqueeze(3).shape)
# torch.Size([4, 1, 28, 1, 28])
# index 为负
print(a.unsqueeze(-1).shape)
# torch.Size([4, 1, 28, 28, 1])
print(a.unsqueeze(-2).shape)
# torch.Size([4, 1, 28, 1, 28])
# 注意不要超出索引范围，否则会报错
# 增加组别具体在数据上的表现
b = torch.tensor([1.2,2.3]) # 此时是一个dim为1，size为2的tensor
print(b.unsqueeze(-1))  # 是在最里层添加了一个维度
# tensor([[1.2000],
#         [2.3000]])
print(b.unsqueeze(0))   # 是在最外层添加了一个维度
# tensor([[1.2000, 2.3000]])

来个小例子：

# for example
# bias相当于给每个channel上的像素增加了一个偏置
b = torch.rand(32)
f = torch.rand(4,32,14,14)
# 现在我们要实现b+f，由于二者维度不同，不能操作（每个维度对应的size也要相同）
b = b.unsqueeze(1)       # torch.Size([32, 1])
print(b.shape)
b = b.unsqueeze(2)       # torch.Size([32, 1, 1])
print(b.shape)
b = b.unsqueeze(0)       # torch.Size([1, 32, 1, 1])
print(b.shape)

squeeze()维度减少

语法：squeeze(index) 如果index不填写，就是将所有size都为1的都去除；index就是去除对应的维度，但是只有size=1的才能被去除。

代码演示：

# b.shape = torch.Size([1, 32, 1, 1])
print(b.squeeze().shape)    # torch.Size([32]) 如果不添加任何参数，就是将所有size=1的都去除
print(b.squeeze(0).shape)   # torch.Size([32, 1, 1])
print(b.squeeze(1).shape)   # torch.Size([1, 32, 1, 1]) 只有size=1的才能被去除

expand()

条件：维度一致，并且只有size=1的才能扩张。

使用蓝色线画的数据必须保持一致；如果参数为-1，则意味着size保持不变。

repeat()

repeat()复制内存数据，括号内参数是copy次数。

代码演示：

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

转置

1、.t 矩阵转置，只适用于矩阵

2、transpose(dim1,dim2)转置

语法：交换dim1,dim2两个维度。注意transpose()方法会将数据变得不连续，所以通常需要借助于

contiguous()方法，用于将数据变得连续。

数据维度顺序必须和存储顺序一致。（说实话这一句我不太懂，然后我就去问了一下chatgpt）答案：

"数据维度顺序必须和存储顺序一致"是指在使用PyTorch进行数据处理和存储时，数据的维度顺序必须与存储的顺序一致。如果数据的维度顺序与存储的顺序不一致，可能会导致数据处理错误或结果不准确。

例如，如果使用PyTorch创建一个张量（tensor）并在存储时按默认的规则进行存储，即按行优先顺序存储，那么在对该张量进行操作时，需要按照相同的维度顺序进行操作，否则可能会导致错误。

总之，这句话的意思是在PyTorch中，需要保证数据的维度顺序和存储顺序一致，以确保数据处理和存储的正确性。

代码演示：

# a.shape=torch.Size([2, 3, 5, 5])
a1 = a.transpose(1,3).contiguous().view(2,3*5*5).view(2,3,5,5)
a2 = a.transpose(1,3).contiguous().view(2,3*5*5).view(2,5,5,3).transpose(1,3)
print(a1.shape,a2.shape)            # torch.Size([2, 3, 5, 5]) torch.Size([2, 3, 5, 5])
print(torch.all(torch.eq(a,a1)))    # tensor(False)
print(torch.all(torch.eq(a,a2)))    # tensor(True)

补充：其中all()方法是用来确定所有内容一致，eq()方法是用来比较数据一致。

说实话这个我也不是很懂，但是我去做了一下实验，将torch.eq(a,a2)和torch.eq(a,a1)都打印了出来，发现这是一个shape为torch.Size([2, 3, 5, 5])的张量，并且里面的数据都是ture或者false，然后我就明白了，原来eq()是用来比较对应的每个数据是否相同，all()是用来比较一个张量里面的所有值是否在相同。

permute()

个人认为这个方法非常强大，可以完成任意维度的交换。我们先来看一个使用transpose()方法进行维度交换：

# b.shape=torch.Size([4, 3, 28, 32])
print(b.transpose(1,3).shape)                   # torch.Size([4, 32, 28, 3])
print(b.transpose(1,3).transpose(1,2).shape)    # torch.Size([4, 28, 32, 3])

再来看一下permute()方法：

# b.shape=torch.Size([4, 3, 28, 32])
print(b.permute(0,2,3,1).shape)                 # torch.Size([4, 28, 32, 3])

有没有感觉很强大。

本网站所收集的部分公开资料来源于AI生成和互联网，转载的目的在于传递更多信息及用于网络分享，并不代表本站赞同其观点和对其真实性负责，也不构成任何其他建议。