pytorch张量维度变换详解：view、squeeze、transpose

原创

已于 2023-09-15 23:02:57 修改 · 4.7k 阅读

34 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #人工智能 #tensor #维度变换

于 2023-09-15 16:18:58 首次发布

2.4 使用tensor.reshape变换

3 squeeze函数

3.1 torch.squeeze去除所有为1的维度

3.2 torch.squeeze指定dim去除

3.3 tensor.squeeze去除为1的维度

4 unsqueeze函数

4.1 torch.unsqueeze指定dim插入新维度

4.2 tensor.unsqueeze指定dim插入新维度

5 transpose函数

5.1 torch.transpose转置指定维度

5.2 tensor.transpose转置指定维度

6 expand函数

7 repeat函数

8 permute函数

Pytorch张量维度变化是在构建模型过程中常用且重要的操作，本文从实际应用触发，详细介绍常用的维度变化方法，这些方法包含view、reshap、squeeze、unsqueeze、transpose等。

1 view函数

Pytorch中的view函数主要用于Tensor维度的重构，即返回一个有相同数据但不同维度的Tensor。

view函数的操作对象是Tensor类型，返回的对象类型也为Tensor类型

    def view(self, *size: _int) -> Tensor: ...

更便于理解的表示形式：

view(参数a,参数b,…)，其中，总的参数个数表示将张量重构后的维度。

1.1 指定变换后的维度

通过手工指定，将一个一维tensor变换为3*8维的tensor

import torch

a1 = torch.tensor([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 
                   13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24])

a2 = a1.view(3, 8)
print(a1)
print(a2)
print(a1.shape)
print(a2.shape)

运行程序显示如下：

tensor([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16, 17, 18,
        19, 20, 21, 22, 23, 24])
tensor([[ 1,  2,  3,  4,  5,  6,  7,  8],
        [ 9, 10, 11, 12, 13, 14, 15, 16],
        [17, 18, 19, 20, 21, 22, 23, 24]])
torch.Size([24])
torch.Size([3, 8])

1.2 自动推理变换后的维度

如果某个参数为-1，则表示该维度取决于其它维度，由Pytorch自己补充

import torch

a3 = torch.tensor([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12,
                   13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24])

a4 = a3.view(4, -1)
a5 = a3.view(2, 3, -1)
a6 = a3.view(-1, 3, 2)

print(a3)
print(a4)
print(a5)
print(a6)
print(a3.shape)
print(a4.shape)
print(a5.shape)
print(a6.shape)

运行程序显示如下：

tensor([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16, 17, 18,
        19, 20, 21, 22, 23, 24])
tensor([[ 1,  2,  3,  4,  5,  6],
        [ 7,  8,  9, 10, 11, 12],
        [13, 14, 15, 16, 17, 18],
        [19, 20, 21, 22, 23, 24]])
tensor([[[ 1,  2,  3,  4],
         [ 5,  6,  7,  8],
         [ 9, 10, 11, 12]],
        [[13, 14, 15, 16],
         [17, 18, 19, 20],
         [21, 22, 23, 24]]])
tensor([[[ 1,  2],
         [ 3,  4],
         [ 5,  6]],
        [[