【Pytorch入门】Tensor维度变换

Pytorch学习笔记——Tensor维度变换

view（）/reshape（）

torch.view(arg1,arg2....)

作用：类似于numpy中的resize（）的功能，重构tensor的维度，返回一个有相同数据但不同大小的tensor

简单来讲，就是把原先tensor中的数据按照行优先的顺序排成一个一维数组，然后根据参数组合成其他维度的tensor

example:

首先我们构造两个张量a（[1,2,3,4,5,6]）,b（[[1,2,3],[4,5,6]]），对其执行view操作后，输出结果

import torch
a=torch.tensor([1,2,3,4,5,6])
print("变换前a的shape为==>",a.shape)
print("变换后a的shape为==>",a.view(1,6).shape)
print("变换前的a:",a)
print("变换后的a:",a.view(1,6))
print("-"*40)
b=torch.tensor([[1,2,3],[4,5,6]])
print("变换前b的shape为==>",b.shape)
print("变换后b的shape为==>",b.view(1,6).shape)
print("变换前的b:",b)
print("变换后的b:",b.view(1,6))

从结果中，我们可以看出，无论是a（[1,2,3,4,5,6]）还是b（[[1,2,3],[4,5,6]]），由于排成一维时均为6个元素，所以只要view中参数一致，其结果也一致

另外，在view中还要注意view(-1)以及view(arg1,-1)这两种情况

example

以一个shape为（3，2）的tensor为例，我们对其执行view(-1)，对比观察结果

import torch
a=torch.rand((3,2))
print(a)
print(a.view(-1))

通过上述例子我们可以得知，通过view（-1）我们可以将原tensor转换成一维的结构

import torch
a=torch.rand((3,2))
print(a)
print(a.view(2,-1))

由上面的例子可以看到，如果是torch.view(arg1，-1)，则表示在arg2未知，arg1已知的情况下自动补齐列向量长度，在这个例子中arg1=2，tensor a总共由6个元素，则arg2=6/2=3。

注意：数据的存储,维度顺序非常重要，需要记住数据的顺序的实际意义

unsqueeze()

torch.unsqueeze(input,dim,out=None)

作用：扩展维度，对输入的既定位置增加维数为1的维度，返回一个tensor

example:

首先，我们先生成一个shape为（2，3）的向量

import torch
t=torch.rand((2,3))
print(t)
print(t.shape)

然后插入第 0 维，插入后向量的 shape 为（1,2,3），在倒数第一个维度上增加一个维度，插入后向量的shape为（2，3，1）

t.unsqueeze(0)
t.unsqueeze(0).shape

t.unsqueeze(-1)
t.unsqueeze(-1).shape

squeeze()

torch.squeeze(input, dim=None, out=None)

作用：压缩维度，删除input中大小为1的所有维，如果给定dim，则只在给定的维度上进行压缩操作,返回一个tensor

example:

首先我们先得到一个shape为（2，1，2，1）的tensor

t=torch.zeros(2,1,2,1)
print(t.shape)

由图中可以看出t的维度为（2，1，2，1）

接下来我们使用squeeze（）来压缩维度

y=torch.squeeze(t)
print(y.shape)

我们也可以指定dim，举个例子，我们将倒数第一维去掉得到新的tensor,输出其shape,此时由于倒数第一维的维数为1因此可以被去掉

z=torch.squeeze(t,-1)
print(z.shape)

如果维数不为1则没有变化，如我们尝试去掉第0维

y=torch.squeeze(t,0)
print(y.shape)

由图中可以看出，新得到的tensor的shape并没有发生改变，因为只有维度为1时才会去掉

expand（）

作用：将tensor广播到新的形状

注意：只能对维数为1的维度进行扩展，且扩展的Tensor不会分配新的内存，只是原来的基础上创建新的视图并返回

example

import torch
a=torch.rand((1,1,3))
#-1表示保持原来的维数不变
b=a.expand(2,2,-1)
print("构造的tensor a ：",a)
print("变换后的tensor b：",b)
print("-"*40)
print("tensor a 的形状：",a.shape)
print("tensor b 的形状：",b.shape)

repeat()

作用：沿着特定的维度重复这个张量，和*expand()*不同的是，这个函数拷贝张量的数据。

example

import torch
a=torch.rand((1,1,3))
b=a.repeat(2,2,1)
c=a.repeat(2,2,3)
print(a.shape)
print(b.shape)
print(c.shape)

通过观察上述代码，我们可以简单了解一下repeat
如果无法理解的话，可以借助一下输出的结果去理解

关于为什么要进行维度变换

在深度学习中很多都是矩阵运算，为了满足矩阵乘法我们需要变换维度