【数据结构与算法】PyTorch中permute与contiguous对tensor结构进行变换

最新推荐文章于 2024-07-01 15:56:21 发布

原创最新推荐文章于 2024-07-01 15:56:21 发布 · 884 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#tensor结构

算法与数据结构专栏收录该内容

8 篇文章

订阅专栏

本文介绍PyTorch中contiguous()函数的作用及其使用场景，通过一个实例展示了如何将张量调整为内存中连续分布的形式，并进一步进行view操作。文章详细解释了在使用如transpose或permute等函数后为何需要调用contiguous()。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

contiguous()——把tensor变成在内存中连续分布的形式

需要变成连续分布的情况：

contiguous：view只能用在contiguous的variable上。如果在view之前用了transpose, permute等，需要用contiguous()来返回一个contiguous copy。

import torch
import numpy as np

def main():
    
    myArr = np.array([[[1,2,3],
                      [4,5,6]]])
    print(myArr.shape)
    print(myArr.size)
    myTsr = torch.tensor(myArr)
    print(myTsr)
    print(myTsr.shape)
    myTsr2 = myTsr.permute(2,0,1)
    print(myTsr2)
    print(myTsr2.shape)
    myTsr3 = myTsr2.contiguous().view(-1,2)
    print(myTsr3)
    print(myTsr3.shape)

if __name__ == '__main__':
    main()

运行结果：

(1, 2, 3)
6
tensor([[[1, 2, 3],
         [4, 5, 6]]], dtype=torch.int32)
torch.Size([1, 2, 3])
tensor([[[1, 4]],

        [[2, 5]],

        [[3, 6]]], dtype=torch.int32)
torch.Size([3, 1, 2])
tensor([[1, 4],
        [2, 5],
        [3, 6]], dtype=torch.int32)
torch.Size([3, 2])