Pytorch基础 - 7. torch.transpose() 和 torch.permute()

目录

1. torch.transpose(dim0, dim1) 

2. torch.permute(dims) 

3. 在转置函数之后使用view()

---

PyTorch中使用torch.transpose() 和 torch.permute()可对张量进行维度的转置，具体内容如下：

1. torch.transpose(dim0, dim1) 

参数: 需要转置的两个维度，即dim0和dim1，顺序可以互换，但一次只能进行两个维度的转换

示例：将shape为[3, 4]的张量，通过transpose()转换成维度为[4, 3]的张量

x = torch.rand(3, 4)
print(x.shape)  # torch.Size([3, 4])
y1 = x.transpose(0, 1)
print(y1.shape)  # torch.Size([4, 3])
y2 = x.transpose(1, 0)
print(y2.shape)  # torch.Size([4, 3])

2. torch.permute(dims) 

参数: dims，可以是list, tuple等，表示进行转置的时候可以一次性进行多维度的转置，且必须传入所有维度数，参数有顺序关系，参数的顺序表示原tensor的哪一维。

示例1：进行二维转置

x.permute(1, 0)表示转置后x的shape为[原tensor第1维，原tensor第0维]，也就是[4, 3]。更简单的理解就是把原来的维度比作一个数组 list=[3, 4]，permute中的数表示数组对应的index，则转置后的x为 [list[1], list[0]] = [4, 3]

x = torch.rand(3, 4)
print(x.shape)  # torch.Size([3, 4])
y1 = x.permute(1, 0)
print(y1.shape)  # torch.Size([4, 3])

示例2：进行多维度同时转置。按照上面数组的方式进行理解，x的原维度表示数组 array = [3, 4, 5, 8]，转置后的维度 = [array[1], array[0], array[3], array[2]] = [4, 3, 8, 5]

x = torch.rand(3, 4, 5, 8)
print(x.shape)  # torch.Size([3, 4, 5, 8])
y1 = x.permute(1, 0, 3, 2)
print(y1.shape)  # torch.Size([4, 3, 8, 5])

3. 在转置函数之后使用view()

注意：在使用transpose或permute之后，若要使用view()改变其形状，必须先contiguous()。或者直接使用reshape()直接代替contiguous().view()，具体原因可见本博客PyTorch系列中的 Pytorch基础 - 6. torch.reshape() 和 torch.view()

示例1：直接使用view()，会报错

 示例2：使用contiguous().view()，未报错，且得到了输出结果

x = torch.rand(3, 4)
print(x.shape)  # torch.Size([3, 4])
y1 = x.permute(1, 0)
print(y1.shape)  # torch.Size([4, 3])

z = y1.contiguous().view(-1)
print(z.shape)  # torch.Size([12])