Pytorch基础：Tensor的transpose方法

相关阅读 

Pytorch基础https://blog.csdn.net/weixin_45791458/category_12457644.html?spm=1001.2014.3001.5482

---

         在Pytorch中，transpose是Tensor的一个重要方法，同时它也是一个torch模块中的一个函数，它们的语法如下所示。

Tensor.transpose(dim0, dim1) → Tensor

torch.transpose(input, dim0, dim1) → Tensor

input (Tensor) – the input tensor.
dim0 (int) – the first dimension to be transposed
dim1 (int) – the second dimension to be transposed

官方的解释如下：

        返回一个张量，它是输入张量的转置版本，其中将给定的维度dim0和dim1交换。

        如果输入是一个具有步幅的张量（常规稠密张量），那么输出张量将与输入张量共享底层存储，因此改变一个张量的内容将改变另一个张量的内容。

        如果输入是一个稀疏张量，那么输出张量不与输入张量共享底层存储。

        如果输入是压缩布局的稀疏张量(SparseCSR, SparseBSR, SparseCSC或SparseBSC)，参数dim0和dim1必须同时是批处理维度，或者必须同时是稀疏维度（稀疏张量的批处理维度是稀疏维之前的维度）。

可以看几个例子以更好的理解：

import torch

# 创建一个张量
x = torch.tensor([[1, 2, 3], [4, 5, 6]])

# 使用transpose操作
y = x.transpose(0, 1)
# 等价于y = x.transpose(1, 0)

print(x, y)

tensor([[1, 2, 3],
        [4, 5, 6]])
tensor([[1, 4],
        [2, 5],
        [3, 6]])

print(id(x),id(y))
4347791776 5006922112 # 说明两个张量对象不同

print(x.storage().data_ptr(), y.storage().data_ptr())
5207345856 5207345856 # 说明两个张量对象里面保存的数据存储是共享的

print(id(x[0,0]), id(y[0,0])) 
4961223520 4961223520 # 进一步说明两个张量对象里面保存的数据存储是共享的

y[0, 0] = 7
print(x, y)
tensor([[7, 2, 3],
        [4, 5, 6]])
tensor([[7, 4],
        [2, 5],
        [3, 6]]) # 说明对新tensor的更改影响了原tensor

print(x.is_contiguous(), y.is_contiguous())  
True False # 说明x是连续的，y不是连续的

        以上的内容，类似于之前在关于python中列表的浅拷贝中说到的那样，对新列表内部嵌套的列表中的元素的更改会影响原列表。如下所示。   列表的浅拷贝
​​​​​​​​​​​​​​

import copy
my_list = [1, 2, [1, 2]]
 
your_list = list(my_list)  #工厂函数
his_list = my_list[:]      #切片操作
her_list = copy.copy(my_list)    #copy模块的copy函数
 
your_list[2][0] = 3
print(my_list)
print(your_list)
print(his_list)
print(her_list)
 
his_list[2][1] = 4
print(my_list)
print(your_list)
print(his_list)
print(her_list)
 
her_list[2].append(5)
print(my_list)
print(your_list)
print(his_list)
print(her_list)
 
 
 
输出
[1, 2, [3, 2]]
[1, 2, [3, 2]]
[1, 2, [3, 2]]
[1, 2, [3, 2]]
 
[1, 2, [3, 4]]
[1, 2, [3, 4]]
[1, 2, [3, 4]]
[1, 2, [3, 4]]
 
[1, 2, [3, 4, 5]]
[1, 2, [3, 4, 5]]
[1, 2, [3, 4, 5]]
[1, 2, [3, 4, 5]]

     

        但不一样的是，在这里甚至对新列表中非嵌套的内容的修改也会导致