transpose() 函数在numpy和pytorch中的比较

transpose 作用是改变序列
需要注意的是，无论是numpy，还是pytorch，transpose一次都只能在两个维度上转换
参考另一篇博文
官方文档 numpy transpose
直接举例说明:

np.transpose(a: ArrayLike, axes: Sequence[int])

参数说明：

• a: 需要转换的array数组
• axes: 转换之后的纬度表示，并且要和 a 的维度数量一致，这和pytorch中的不一样

二维

import numpy as np
arr = np.arange(12).reshape((3, 4))
arr_np = np.transpose(arr, axes=(1, 0))
print(arr)
print(arr_np)

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]] (3, 4)
[[ 0  4  8]
 [ 1  5  9]
 [ 2  6 10]
 [ 3  7 11]] (4, 3)

三维

arr = np.arange(12).reshape((2, 3, 2))
# 这里要注意 axes 的参数必须要和arr的数据维度一致
arr_np = np.transpose(arr, axes=(0, 2, 1))
print(arr, arr.shape)
print(arr_np, arr_np.shape)

[[[ 0  1]
  [ 2  3]
  [ 4  5]]

 [[ 6  7]
  [ 8  9]
  [10 11]]] (2, 3, 2)
[[[ 0  2  4]
  [ 1  3  5]]

 [[ 6  8 10]
  [ 7  9 11]]] (2, 2, 3)

torch.transpose(input: Tensor, dim0: _int, dim1: _int)

参数说明：

• input: 需要转换的tensor
• dim0: 需要转换的两个维度中的一个
• dim1: 需要转换的两个维度中的另一个

经过我测试发现，dim0和dim1的顺序对结果并无影响，
即 torch.transpose(x, 1, 0) 和 torch.transpose(x, 0, 1) 结果是一样的
二维

import torch
arr_tensor = torch.arange(12).reshape((3, 4))
arr_torch = torch.transpose(arr_tensor, 1, 0)
print(arr_tensor, arr_tensor.shape)
print(arr_torch, arr_torch.shape)

tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]]) torch.Size([3, 4])
tensor([[ 0,  4,  8],
        [ 1,  5,  9],
        [ 2,  6, 10],
        [ 3,  7, 11]]) torch.Size([4, 3])

三维

arr_tensor = torch.arange(12).reshape((2, 3, 2))
arr_torch = torch.transpose(arr_tensor, 2, 1)
print(arr_tensor, arr_tensor.shape)
print(arr_torch, arr_torch.shape)

tensor([[[ 0,  1],
         [ 2,  3],
         [ 4,  5]],

        [[ 6,  7],
         [ 8,  9],
         [10, 11]]]) torch.Size([2, 3, 2])
tensor([[[ 0,  2,  4],
         [ 1,  3,  5]],

        [[ 6,  8, 10],
         [ 7,  9, 11]]]) torch.Size([2, 2, 3])

permute(dims)

可以对任意高维矩阵进行转置