torch.transpose()函数torch.permute()函数解读

目录

1 官网文档

transpose()

permute()

2 使用及对比

使用： 

操作的dim不同：

维度数顺序影响：

合法性不同：

相同点：

再使用view()和reshape()时

---

在pytorch中转置用的函数就只有这两个

1.transpose()

2.permute()

1 官网文档

transpose()

http://torch.transpose — PyTorch 1.10.0 documentation

torch.transpose(input, dim0, dim1) → 再使用view()和reshape()时 

 函数返回输入矩阵input的转置，交换维度dim0和dim1

参数：

1. input（Tensor）-输入张量，必填
2. dim0（int）-转置的第一维，默认0，可选
3. dim1（int）-转置的第二维，默认1，可选

注意只能有两个相关的交换的位置参数。

permute()

http://torch.permute — PyTorch 1.10.0 documentation

torch.permute(input, dims) → Tensor

参数：

        dims（int...*）-换位顺序，必填

2 使用及对比

使用： 

# 创造二维数据x   dim0 = 2, dim1 = 3
x = torch.randn(2, 3)   # x.shape = (2, 3)
# 创造三维数据y   dim0 = 2, dim1 = 3, dim2 = 4
y = torch.randn(2, 3, 4)   # y.shape = (2, 3, 4)

 对于transpose

x.transpose(0, 1)   # x.shape = (3, 2)
x.transpose(1, 0)   # x.shape = (3, 2)
y.transpose(0, 1)   # y.shape = (3, 2, 4)
y.transpose(0, 2, 1)   # error 操作不了多维

对于permute()

x.permute(0, 1)   # x.shape = (2, 3)
x.permute(1, 0)   # x.shape = (3, 2)
y.permute(0, 1)   # error 没有传入所有维度数
y.permute(1, 0, 2)   # y.shape = (3, 2, 4)

操作的dim不同：

1. transpose()一次只能操作两个维度；
2. permute()一次可以操作多个维度，但是必须传入所有维度，因为permute()的参数是int*。 

维度数顺序影响：

1. transpose()中的dim没有维度数的大小之分（0，1）和（1，0）是相同结果；
2. permute()中的dim有维度数的大小之分（0，1）和（1，0）是不一样的操作。

合法性不同：

1. torch.transpose(x)合法，x.transpose()合法
2. tensor.permute(x)不合法，x.permute()合法

相同点：

1. 都是返回转置后的矩阵
2. 都可以操作高位矩阵，permute在高维的功能性更强。 

再使用view()和reshape()时

用view()函数改变转置后的数据结构，会导致报错。这是因为tensor转置后数据的内存地址不连续，也就是tensor.is_contiguous()==False

x.torch.rand(3, 4)
x = x.transpose(0, 1)
print(x.is_contiguous())   # 是否连续 --> 'False'
#  发现
x.view(3, 4)   # view会报错
# 但是这样是可以的
x = x.contiguous()
x.view(3, 4)

虽然在torch里面，view函数相当于numpy的reshape，但是这时候reshape()可以改变该tensor的结构，但是view()不可以。

x = torch.rand(3, 4)
x = x.permute(1, 0)   # 等价于x = x.transpose(0, 1)
x.reshape(3, 4)   # reshape不报错

说明x.reshape(3, 4)这个操作等于x = x.contiguous().view()，尽管如此，但是我们还是不推荐使用reshape，除非为了获取完全不同但是数据相同的克隆体。