pytorch与numpy中维度顺序转换的比较

pytorch

 

tensor.permute(dims)

将tensor的维度换位。

参数：参数是一系列的整数，代表原来张量的维度。比如三维就有0，1，2这些dimension。

例：

import torch

a = torch.rand(8,256,256,3)   #---> n,h,w,c
print(a.shape)

b = a.permute(0,3,1,2)  # ---> n,c,h,w
print(b.shape)

输出：

torch.Size([8, 256, 256, 3])
torch.Size([8, 3, 256, 256])

 

---

numpy

 

numy.transpose(a,axis =None)

参数 a : 输入数组 
axis :  int类型的列表，这个参数是可选的。默认情况下，反转的输入数组的维度，当给定这个参数时，按照这个参数所定的值进行数组变换。 
返回值 p : ndarray 返回转置过后的原数组的视图。

import numpy as  np

x = np.random.randn(8,256,256,3)  # ---> n,h,w,c
print(x.shape)
y=x.transpose((0,3,1,2))   #  ----> n,c,h,w
print(y.shape)

输出：

(8, 256, 256, 3)
(8, 3, 256, 256)

 

 

transpose 的原理其实是根据维度（shape）索引决定的

例：

import numpy as  np

x = np.arange(4).reshape((2,2)) #生成一个2x2的数组
print(x)

[[0 1]
 [2 3]]

生成了一个维度为二维数组，其中有两个索引值（矩阵的行与列）。

transpose()函数的作用就是调换数组的行列值的索引值，类似于求矩阵的转置：

x = np.arange(4).reshape((2,2))

x = np.transpose(x)

print(x)

[[0 2]

 [1 3]]

我们可以直观的看到，数组的行列索引值对换，1的位置从x(0,1)跑到了x(1,0)。

那么三维数组呢？

我们继续生成一个三维的数组：

x = np.arange(12).reshape((2,2,3)) //生成一个2x2x3的数组

print(x)

[[[ 0  1  2]

  [ 3  4  5]]

[[ 6  7  8]

  [ 9 10 11]]]

从高中数学知道三维由x轴、y轴以及z轴组成。

假设三维数组当中的索引值为x，y，z

transpose()函数的作用就是调换x，y，z的位置，也就是数组的索引值。

所以正常的数组索引值为（0，1，2），等于（x，y，z）

我们来看实例代码：

x = np.arange(12).reshape((2,2,3))

print(x)

[[[ 0 1 2]

[ 3 4 5]]

[[ 6 7 8]

[ 9 10 11]]]


x = np.transpose(x,(1,0,2)) //transpose()函数的第二个参数就是改变索引值的地方

print(x)

[[[ 0 1 2]

[ 6 7 8]]

[[ 3 4 5]

[ 9 10 11]]]

通过transpose()函数改变了x的索引值为（1，0，2），对应（y，x，z）

索引改变后原本y的值和x的值对换了。

有上面代码的数字7为例，原本的7的位置索引为（1,0,1），通过transpose（x，（1，0，2））索引改变为（0，1，1）

无论四维、五维……都可以用这个原理分析。