numpy.transpose和torch.transpose函数解析

问题

今天在想把一个三维的[3, x, y]的tensor转为[x, y, 3]遇到一些问题，最后的解决方法是把tensor转为numpy，然后使用numpy.transpose(mytensor, [1, 2, 0])解决。因此分析一下torch和numpy中的transpose函数。

参考

• numpy.transpose
• torch.transpose

numpy.transpose

用法如下：
numpy.transpose(a, axes=None)

• 如果是一个二维矩阵，那么将返回该矩阵的转置。

a = np.random.randint(0, 10, (3, 2))
print(a, a.shape)
a = np.transpose(a)
print(a, a.shape)
a = np.transpose(a, (1, 0))
print(a, a.shape)

结果为：

[[5 7]
 [2 3]
 [9 1]]
 (3, 2)

[[5 2 9]
 [7 3 1]] 
(2, 3)

[[5 7]
 [2 3]
 [9 1]]
(3, 2)

可以看到，每次都是将该二维矩阵转置。

• 如果是多维矩阵：

a = np.random.randint(0, 10, (3, 2, 4))
print(a, a.shape)
a = np.transpose(a, (1, 2, 0))
print(a, a.shape)

结果：

[[[4 3 6 8]
  [7 0 1 1]]

 [[0 2 6 4]
  [4 0 6 2]]

 [[3 3 4 6]
  [5 6 6 2]]] 
(3, 2, 4)


[[[4 0 3]
  [3 2 3]
  [6 6 4]
  [8 4 6]]

 [[7 4 5]
  [0 0 6]
  [1 6 6]
  [1 2 2]]]
(2, 4, 3)

可以看到，本来矩阵的形状是pre = [3, 2, 4]，变换时传入的参数是(1, 2, 0)，之后矩阵就变成了[2, 4, 3]也就是[pre[1], pre[2], pre[0]]。
但是具体的变换过程还没搞懂。

• 对于参数axes，默认是：range(a.ndim)[::-1]，也就是原来矩阵shape的逆序。
• 还可以这样用：

a = np.random.randint(0, 10, (3, 2, 4))
print(a, a.shape)
b = a.transpose([1, 2, 0])
print(b, b.shape)

结果：

[[[5 0 8 0]
  [5 4 5 8]]

 [[6 8 8 8]
  [8 0 4 5]]

 [[2 6 8 3]
  [0 8 3 4]]] 
(3, 2, 4)

[[[5 6 2]
  [0 8 6]
  [8 8 8]
  [0 8 3]]

 [[5 8 0]
  [4 0 8]
  [5 4 3]
  [8 5 4]]]
(2, 4, 3)

效果是一样的。

不会创建一个新的对象

a = np.random.randint(0, 10, (2, 4))
print(a)
b = a.transpose()
print(b)

结果：

[[6 5 4 8]
 [3 2 1 2]]

[[6 3]
 [5 2]
 [4 1]
 [8 2]]

b[0][0] = 15
print(a)
print(b)

结果：

[[15  5  4  8]
 [ 3  2  1  2]]
[[15  3]
 [ 5  2]
 [ 4  1]
 [ 8  2]]

一个改变，另一个也改变。

torch.transpose

用法如下：
torch.transpose(input, dim0, dim1)
返回一个tensor，是input的转置。并且同样是共享一个实际tensor，一个改变另一个也改变。

import torch
a = torch.randint(0, 10, (2, 4))
print(a)
b = torch.transpose(a, 1, 0)
print(b)
c = torch.transpose(a, 0, 1)
print(c)

结果：

tensor([[2, 7, 0, 9],
        [8, 2, 8, 7]])
tensor([[2, 8],
        [7, 2],
        [0, 8],
        [9, 7]])
tensor([[2, 8],
        [7, 2],
        [0, 8],
        [9, 7]])

可以看到，都是在进行矩阵的转置。
在本函数中，dim0和dim1会互换（转置），所以transpose(a, 1, 0)和transpose(a, 0, 1)效果一致，都是dim[0]和dim[1]互换。这与numpy的函数不同。

a = torch.randint(0, 10, (2, 3, 4))
print(a)
b = torch.transpose(a, 1, 2)
print(b)

结果：

tensor([[[2, 0, 6, 7],
         [8, 8, 0, 2],
         [6, 7, 6, 6]],

        [[9, 1, 6, 4],
         [8, 3, 2, 8],
         [0, 0, 4, 9]]])
tensor([[[2, 8, 6],
         [0, 8, 7],
         [6, 0, 6],
         [7, 2, 6]],

        [[9, 8, 0],
         [1, 3, 0],
         [6, 2, 4],
         [4, 8, 9]]])

但是，让一个多维矩阵某两维或者某几维的转换公式还不太清楚。