python pytorch 维度调整

最新推荐文章于 2025-06-27 11:51:07 发布

原创最新推荐文章于 2025-06-27 11:51:07 发布 · 4.2k 阅读

0 ·

CC 4.0 BY-SA版权

pytorch 专栏收录该内容

44 篇文章

订阅专栏

本文演示了如何使用NumPy和PyTorch进行张量操作，包括形状转换和扩展。首先，通过NumPy创建一个三维数组，并从中提取最后一维；然后，将NumPy数组转换为PyTorch张量，进行unsqueeze操作以增加维度，最后通过expand方法将张量扩展到特定大小。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

代码

import numpy as np
import torch

a = np.arange(24).reshape(2,3,4)
b = a[:,-1,:]
print(b.shape)

x = torch.from_numpy(a)
y = x[:,-1,:].unsqueeze(1)
print(y.size())
z = y.expand(2,4,4)
print(z.size())

输出

(2, 4)
torch.Size([2, 1, 4])
torch.Size([2, 4, 4])

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

.云哲.

关注关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

【pytorch】微调技术

lijf2001的博客

07-24

676

训练神经网络是一件非常耗费时间的事情，其需要大量的算力以及大量的数据。显然从头开始训练并不是明智之选，利用好已有的资源才是明智之选。

Python PyTorch库【机器学习框架】全面深入讲解与实践

记录点滴

04-29

3001

PyTorch 是由 Facebook AI Research (FAIR) 开发的开源机器学习框架，2016 年首次发布。动态计算图GPU 加速张量计算自动微分系统丰富的神经网络模块与 TensorFlow 的静态图相比，PyTorch 的动态图机制更符合 Python 编程习惯，使其在学术研究中迅速流行（2022 年论文采用率达 70%+）。

1 条评论您还未登录，请先登录后发表或查看评论

Pytorch 微调（Fine-tuning）

负负得正的博客

05-03

2713

Pytorch 微调（Fine-tuning） 0. 环境介绍环境使用 Kaggle 里免费建立的 Notebook 教程使用李沐老师的动手学深度学习网站和视频讲解小技巧：当遇到函数看不懂的时候可以按 Shift+Tab 查看函数详解。 1. 微调 1.1 迁移学习（Transfer Learning）假如我们想识别图片中不同类型的椅子，然后向用户推荐购买链接。一种可能的方法是首先识别 100 把普通椅子，为每把椅子拍摄 1000 张不同角度的图像，然后在收集的图像数据集上训练一个分类模型。

pytorch 中dim使用教程

热门推荐

ytusdc的博客

01-02

1万+

对于不同的层可以设置不同的学习率，一般情况下建议，对于使用的原始数据做初始化的层设置的学习率要小于（一般可设置小于10倍）初始化的学习率，这样保证对于已经初始化的数据不会扭曲的过快，而使用初始化学习率的新层可以快速的收敛。

Pytorch学习：微调

m0_61384227的博客

11-23

335

在PyTorch中进行微调（Fine-tuning）通常涉及到一个预训练模型，这个模型已经在大型数据集（如ImageNet、COCO等）上进行了训练，并学习到了丰富的特征表示。微调是指将这个预训练模型的一部分或全部应用于一个新的任务或数据集，并对其进行进一步的训练，以适应新任务的特点。微调是一种非常有效的迁移学习方法，它允许你利用在大规模数据集上训练好的模型来解决小数据集或新任务上的问题。通过微调，你可以大大缩短训练时间，并提高模型的性能。

pytorch 调整某一维度数据顺序的方法

09-19

### PyTorch中调整特定维度数据顺序的方法在深度学习领域，PyTorch因其灵活性和易用性成为了研究者和开发者的首选框架之一。对于数据处理来说，有时我们需要调整Tensor中某一维度的数据顺序，比如在图像处理中可能...

Pytorch 张量变形、转置及维度调整

bbaaa123的博客

08-21

954

pytorch 张量变形、转置及维度调整详解

【Pytorch】各种维度变换函数总结

a_piece_of_ppx的博客

02-20

1925

多数转载，来自于：[PyTorch各种维度变换函数总结](https://kangshitao.github.io/2020/11/21/pytorch-function/)

pytorch中的维度变换函数汇总

u013521169的博客

05-16

1297

pytorch中的维度变换函数汇总比较

Python-用PyTorch微调预训练卷积神经网络

08-11

用PyTorch微调预训练卷积神经网络

动手学深度学习PyTorch版-微调

hongyesuifeng的博客

02-24

410

微调热狗识别 %matplotlib inline import torch from torch import nn, optim from torch.utils.data import Dataset, DataLoader import torchvision from torchvision.datasets import ImageFolder from torchvision im...

【PyTorch框架】迁移学习 & 模型微调

闪闪发光的博客

04-17

5239

模型微调

Pytorch维度转换操作：view，reshape，permute，flatten函数详解

qq_41920323的博客

09-10

1340

Pytorch维度转换操作：view，reshape，permute，flatten函数详解

PyTorch实战：模型微调(Finetune)技巧解析

bishedaima_com_w的博客

06-11

1369

我们知道一个良好的权重初始化，可以使收敛速度加快，甚至可以获得更好的精度。而在实际应用中，我们通常采用一个已经训练好模型的权重参数作为我们模型的初始化参数，也称为 Finetune，更宽泛的称之为迁移学习。迁移学习中的 Finetune 技术，本质上就是让我们新构建的模型，拥有一个较好的权重初始值。为什么要 Model Finetune？在新任务中数据量较小，不足以训练一个较大的 Model。可以用 Model Finetune 的方式辅助我们在新任务中训练一个较好的模型，让训练过程更快。

9-pytorch中常见的维度操作

zqb_123的博客

12-21

1034

2、squeeze；unsqueeze：压缩维度和增加维度（相对于维度为1的数据）3、transpose；permute：维度顺顺序变换(转置）Flatten：维度合并和分解。repeat：维度扩展。

如何使用PyTorch进行模型微调

python1234567_的博客

01-08

1936

这里只做简单介绍，详细介绍暂时不展开，后续再单独说明。PyTorch 是一个基于软件的开源深度学习框架，用于构建，将 Torch 的 (ML) 库与基于PyTorch 支持多种神经网络架构，从简单的线性回归算法到复杂的卷积神经网络和用于计算机视觉和自然语言处理 (NLP) 等任务的生成式转换器模型。PyTorch 基于广为人知的 Python 编程语言构建，并提供广泛的预配置（甚至预训练）模型库，使数据科学家能够构建和运行复杂的深度学习网络，同时最大限度地减少在代码和数学结构上花费的时间和精力。

深度学习中的微调（Fine-tuning）&PyTorch 实践

gkoyu的博客

03-13

2330

简洁来说：微调（Fine-tuning）是一种迁移学习（Transfer Learning）方法，它基于已经训练好的模型进行优化，使其在新任务或新数据集上表现更佳。通常，我们会从一个在大规模数据集上预训练的模型（如ImageNet上的ResNet、BERT等）出发，对其进行小规模的更新，使其适应特定应用。预训练模型（Pre-trained Model）：利用已有的深度学习模型，该模型已经在大规模数据集上学习到了丰富的特征表示。冻结部分参数（Freezing Layers）

pytorch 维度转换

02-27

### PyTorch 中的张量维度转换方法在 PyTorch 中，可以使用多种方法来改变张量的形状或排列顺序。以下是几种常见的操作： #### 使用 `view` 方法 `view` 是一种常用的重塑张量的方法，它返回一个新的具有相同数据但不同大小的张量。 ```python import torch tensor = torch.randn(4, 4) reshaped_tensor = tensor.view(-1) # 将多维数组展平成一维向量 print(f"Original shape: {tensor.shape}, Reshaped to: {reshaped_tensor.shape}") ``` 这种方法适用于当知道目标尺寸时，并且原始张量中的元素总数应等于新尺寸下的乘积[^2]。 #### 利用 `reshape` 与 `view` 类似，`reshape` 函数也可以用来调整张量的结构；不过，在某些情况下更灵活一些因为即使内存布局不连续也能工作得很好。 ```python new_shape = (8, 2) transformed_tensor = tensor.reshape(new_shape) print(f"After reshaping with reshape():\n{transformed_tensor}\nShape is now:{transformed_tensor.size()}") ``` 对于上述例子而言，如果原矩阵是 `[batch_size, channels, height, width]` 形式的图像，则可以通过指定新的 batch size 或者 channel 数目来进行变换。 #### 应用 `permute` 为了重新排列给定张量轴的位置，可采用 `permute()` 。这对于像卷积神经网络这样的场景特别有用，其中输入可能需要特定的通道优先级。 ```python input_tensor = torch.rand((3, 5, 5)) transposed_tensor = input_tensor.permute(1, 2, 0) # 这里我们将原本的第一维度移到最后一位 print(f"Permuted dimensions from ({input_tensor.dim()}D): \nBefore permute:\n{input_tensor}\ \nAfter applying permute():\n{transposed_tensor}") ``` 此函数接收一个整数元组作为参数列表，表示各个维度的新索引位置。 #### 调用 `unsqueeze` 和 `squeeze` 有时会遇到增加单例维度的需求（即长度为 1 的额外维度），这时可以用到 `unsqueeze(dim)` ，而相反地移除这些多余的单一维度则通过调用 `squeeze([dim])` 实现。 ```python single_dim_added = transformed_tensor.unsqueeze(0) # 添加一个批次维度 reduced_dims = single_dim_added.squeeze() # 移除所有大小为1的维度 print(f"With unsqueeze added a singleton dim at start.\nResulting Tensor Shape after squeeze(): {reduced_dims.shape}") ``` 以上就是在 PyTorch 当中处理张量维度变化的一些基本方式及其应用实例。