PyTorch基本使用-张量的形状操作

• reshape() 函数

  reshape 函数可以在保证张量数据不变的前提下改版数据维度，将其转换成指定的形状。

  data = torch.tensor([[1,2,3],[4,5,6]])
  print('data ---> ',data)
  # 使用 shape属性或者size方法都可以获取张量的形状
  print(data.shape,data.shape[0],data.shape[1])
  print(data.size(),data.size(0),data.size(1))
  # 使用 reshape 修改张量的形状
  new_data = data.reshape(1,6)
  print(new_data.shape)
  

  输出结果：

  data --->  tensor([[1, 2, 3],
          [4, 5, 6]])
  torch.Size([2, 3]) 2 3
  torch.Size([2, 3]) 2 3
  torch.Size([1, 6])
  

• squeeze()和unsqueeze()函数

  squeeze 函数删除形状为 1 的维度（降维），unsqueeze 函数添加形状为1的维度（升维）。

  data1 = torch.tensor([1,2,3,4,5,6])
  print('普通的1维数组 ---> ',data1.shape,data1)
  data2 = data1.unsqueeze(dim=0)
  print('在0维上拓展维度',data2.shape,data2) # 1*6
  data3 = data1.unsqueeze(dim=1)
  print('在1维上拓展维度',data3.shape,data3) # 6*1
  data4 = data1.unsqueeze(dim=-1)
  print('在-1维上拓展维度',data4.shape,data4) # 6*1
  data5 = data4.squeeze()
  print('压缩维度',data5.shape,data5) # 1*6
  

  输出结果：

  普通的1维数组 --->  torch.Size([6]) tensor([1, 2, 3, 4, 5, 6])
  在0维上拓展维度 torch.Size([1, 6]) tensor([[1, 2, 3, 4, 5, 6]])
  在1维上拓展维度 torch.Size([6, 1]) tensor([[1],
          [2],
          [3],
          [4],
          [5],
          [6]])
  在-1维上拓展维度 torch.Size([6, 1]) tensor([[1],
          [2],
          [3],
          [4],
          [5],
          [6]])
  压缩维度 torch.Size([6]) tensor([1, 2, 3, 4, 5, 6])
  

• transpose()和permute()函数

  transpose 函数可以实现交换张量形状的指定维度, 例如: 一个张量的形状为 (2, 3, 4) 可以通过 transpose 函数把 3 和 4
  进行交换, 将张量的形状变为 (2, 4, 3) 。 permute 函数可以一次交换更多的维度。

  data = torch.tensor(np.random.randint(0,10,[3,4,5]))
  print('data.shape ---> ',data.shape)
  # 1. 交换1和2维度
  data2 = torch.transpose(data,1,2)
  print('data2.shape ---> ',data2.shape)
  # 2. 将形状换成 4，5，3 需要多次
  data3 = torch.transpose(data,0,1)
  data4 = torch.transpose(data3,1,2)
  print('data4.shape ---> ',data4.shape)
  # 使用permute将形状换成 4,5,3
  # 方法-1
  data5 = torch.permute(data,[1,2,0])
  print('data5.shape ---> ',data5.shape)
  # 方法-2
  data6 = data.permute([1,2,0])
  print('data6.shape ---> ',data6.shape)
  

  输出结果：

  data.shape --->  torch.Size([3, 4, 5])
  data2.shape --->  torch.Size([3, 5, 4])
  data4.shape --->  torch.Size([4, 5, 3])
  data5.shape --->  torch.Size([4, 5, 3])
  data6.shape --->  torch.Size([4, 5, 3])
  

• view()和contiguous()函数

  view 函数也可以用于修改张量的形状，只能用于存储在整块内存中的张量。在 PyTorch 中，有些张量是由不同的数据
  块组成的，它们并没有存储在整块的内存中，view 函数无法对这样的张量进行变形处理，例如: 一个张量经过了
  transpose 或者 permute 函数的处理之后，就无法使用 view 函数进行形状操作。

  # 1. 一个张量经过了 transpose 或者 permute 函数的处理之后，就无法使用view 函数进行形状操作
  # 若要使用view函数, 需要使用contiguous() 变成连续以后再使用view函数
  # 2. 判断张量是否使用整块内存
  data1 = torch.tensor([[1,2,3],[4,5,6]])
  print('data1 ---> ',data1.shape,data1)
  # 3. 判断是否使用整块内存
  print(data1.is_contiguous())
  data2 = data1.view(3,2)
  print('data2 ---> ',data2.shape,data2)
  # 4. 判断是否使用整块内存
  print(data2.is_contiguous())
  # 5. 使用 transpose 函数修改形状
  data3 = torch.transpose(data1,0,1)
  print('data3 ---> ',data3.shape,data3)
  # 6. 判断是否使用整块内存
  print(data3.is_contiguous())
  # 7. 需要先使用 contiguous 函数转换为整块内存的张量，再使用 view 函数
  data4 = data3.contiguous().view(2,3)
  print('data4 ---> ',data4.shape,data4)
  # 8. 判断是否使用整块内存
  print(data4.is_contiguous())
  

  输出结果：

  data1 --->  torch.Size([2, 3]) tensor([[1, 2, 3],
          [4, 5, 6]])
  True
  data2 --->  torch.Size([3, 2]) tensor([[1, 2],
          [3, 4],
          [5, 6]])
  True
  data3 --->  torch.Size([3, 2]) tensor([[1, 4],
          [2, 5],
          [3, 6]])
  False
  data4 --->  torch.Size([2, 3]) tensor([[1, 4, 2],
          [5, 3, 6]])
  True