对于 PyTorch 的基本数据对象 Tensor (张量)，在处理问题时，需要经常改变数据的维度，以便于后期的计算和进一步处理，本文旨在列举一些维度变换的方法并举例，方便大家查看。
维度查看：torch.Tensor.size()
查看当前 tensor 的维度
举个例子：
>>> import torch
>>> a = torch.Tensor([[[1, 2], [3, 4], [5, 6]]])
>>> a.size()
torch.Size([1, 3, 2])
|
张量变形：torch.Tensor.view(*args) → Tensor
返回一个有相同数据但大小不同的 tensor。 返回的 tensor 必须有与原 tensor 相同的数据和相同数目的元素，但可以有不同的大小。一个 tensor 必须是连续的 contiguous() 才能被查看。
举个例子：
>>> x = torch.randn(2, 9)
>>> x.size()
torch.Size([2, 9])
>>> x
tensor([[-1.6833, -0.4100, -1.5534, -0.6229, -1.0310, -0.8038, 0.5166, 0.9774,
0.3455],
[-0.2306, 0.4217, 1.2874, -0.3618, 1.7872, -0.9012, 0.8073, -1.1238,
-0.3405]])
>>> y = x.view(3, 6)
>>> y.size()
torch.Size([3, 6])
>>> y
tensor([[-1.6833, -0.4100, -1.5534, -0.6229, -1.0310, -0.8038],
[ 0.5166, 0.9774, 0.3455, -0.2306, 0.4217, 1.2874],
[-0.3618, 1.7872, -0.9012, 0.8073, -1.1238, -0.3405]])
>>> z = x.view(2, 3, 3)
>>> z.size()
torch.Size([2, 3, 3])
>>> z
tensor([[[-1.6833, -0.4100, -1.5534],
[-0.6229, -1.0310, -0.8038],
[ 0.5166, 0.9774, 0.3455]],
[[-0.2306, 0.4217, 1.2874],
[-0.3618, 1.7872, -0.9012],
[ 0.8073, -1.1238, -0.3405]]])
|
可以看到 x 和 y 、z 中数据的数量和每个数据的大小都是相等的，只是尺寸或维度数量发生了改变。
压缩 / 解压张量：torch.squeeze()、torch.unsqueeze()
-
torch.squeeze(input, dim=None, out=None)
将输入张量形状中的 1 去除并返回。如果输入是形如(A×1×B×1×C×1×D)，那么输出形状就为： (A×B×C×D)
当给定 dim 时，那么挤压操作只在给定维度上。例如，输入形状为: (A×1×B)，squeeze(input, 0) 将会保持张量不变，只有用 squeeze(input, 1)，形状会变成 (A×B)。
返回张量与输入张量共享内存，所以改变其中一个的内容会改变另一个。
举个例子：
>>> x = torch.randn(3, 1, 2)
>>> x
tensor([[[-0.1986, 0.4352]],
[[ 0.0971, 0.2296]],
[[ 0.8339, -0.5433]]])
>>> x.squeeze().size() # 不加参数，去掉所有为元素个数为1的维度
torch.Size([3, 2])
>>> x.squeeze()
tensor([[-0.1986, 0.4352],
[ 0.0971, 0.2296],
[ 0.8339, -0.5433]])
>>> torch.squeeze(x, 0).size() # 加上参数，去掉第一维的元素，不起作用，因为第一维有2个元素
torch.Size([3, 1, 2])
>>> torch.squeeze(x, 1).size() # 加上参数，去掉第二维的元素，正好为 1，起作用
torch.Size([3, 2])
|
可以看到如果加参数，只有维度中尺寸为 1 的位置才会消失
-
torch.unsqueeze(input, dim, out=None)
返回一个新的张量，对输入的制定位置插入维度 1
返回张量与输入张量共享内存，所以改变其中一个的内容会改变另一个。
如果 dim 为负，则将会被转化 dim+input.dim()+1
接着用上面的数据举个例子：
>>> x.unsqueeze(0).size()
torch.Size([1, 3, 1, 2])
>>> x.unsqueeze(0)
tensor([[[[-0.1986, 0.4352]],
[[ 0.0971, 0.2296]],
[[ 0.8339, -0.5433]]]])
>>> x.unsqueeze(-1).size()
torch.Size([3, 1, 2, 1])
>>> x.unsqueeze(-1)
tensor([[[[-0.1986],
[ 0.4352]]],
[[[ 0.0971],
[ 0.2296]]],
[[[ 0.8339],
[-0.5433]]]])
|
可以看到在指定的位置，增加了一个维度。
扩大张量：torch.Tensor.expand(*sizes) → Tensor
返回 tensor 的一个新视图，单个维度扩大为更大的尺寸。 tensor 也可以扩大为更高维，新增加的维度将附在前面。 扩大 tensor 不需要分配新内存，只是仅仅新建一个 tensor 的视图，其中通过将 stride 设为 0，一维将会扩展位更高维。任何一个一维的在不分配新内存情况下可扩展为任意的数值。
举个例子：
>>> x = torch.Tensor([[1], [2], [3]])
>>> x.size()
torch.Size([3, 1])
>>> x.expand(3, 4)
tensor([[1., 1., 1., 1.],
[2., 2., 2., 2.],
[3., 3., 3., 3.]])
>>> x.expand(3, -1)
tensor([[1.],
[2.],
[3.]])
|
原数据是 3 行 1 列，扩大后变为 3 行 4 列，方法中填 -1 的效果与 1 一样，只有尺寸为 1 才可以扩大，如果不为 1 就无法改变，而且尺寸不为 1 的维度必须要和原来一样填写进去。
重复张量：torch.Tensor.repeat(*sizes)
沿着指定的维度重复 tensor。 不同于 expand()，本函数复制的是 tensor 中的数据。
举个例子：
>>> x = torch.Tensor([1, 2, 3])
>>> x.size()
torch.Size([3])
>>> x.repeat(4, 2)
[1., 2., 3., 1., 2., 3.],
[1., 2., 3., 1., 2., 3.],
[1., 2., 3., 1., 2., 3.]])
>>> x.repeat(4, 2).size()
torch.Size([4, 6])
|
原数据为 1 行 3 列，按行方向扩大为原来的 4 倍，列方向扩大为原来的 2 倍，变为了 4 行 6 列。
变化时可以看成是把原数据作成一个整体，再按指定的维度和尺寸重复，变成一个 4 行 2 列的矩阵，其中的每一个单位都是相同的，再把原数据放到每个单位中。
矩阵转置：torch.t(input, out=None) → Tensor
输入一个矩阵（2维张量），并转置0, 1维。 可以被视为函数 transpose(input, 0, 1) 的简写函数。
举个例子：
>>> x = torch.randn(3, 5)
>>> x
tensor([[-1.0752, -0.9706, -0.8770, -0.4224, 0.9776],
[ 0.2489, -0.2986, -0.7816, -0.0823, 1.1811],
[-1.1124, 0.2160, -0.8446, 0.1762, -0.5164]])
>>> x.t()
tensor([[-1.0752, 0.2489, -1.1124],
[-0.9706, -0.2986, 0.2160],
[-0.8770, -0.7816, -0.8446],
[-0.4224, -0.0823, 0.1762],
[ 0.9776, 1.1811, -0.5164]])
>>> torch.t(x) # 另一种用法
tensor([[-1.0752, 0.2489, -1.1124],
[-0.9706, -0.2986, 0.2160],
[-0.8770, -0.7816, -0.8446],
[-0.4224, -0.0823, 0.1762],
[ 0.9776, 1.1811, -0.5164]])
|
必须要是 2 维的张量，也就是矩阵，才可以使用。
维度置换：torch.transpose()、torch.Tensor.permute()
-
torch.transpose(input, dim0, dim1, out=None) → Tensor
返回输入矩阵 input 的转置。交换维度 dim0 和 dim1。 输出张量与输入张量共享内存，所以改变其中一个会导致另外一个也被修改。
举个例子：
>>> x = torch.randn(2, 4, 3)
>>> x
tensor([[[-1.2502, -0.7363, 0.5534],
[-0.2050, 3.1847, -1.6729],
[-0.2591, -0.0860, 0.4660],
[-1.2189, -1.1206, 0.0637]],
[[ 1.4791, -0.7569, 2.5017],
[ 0.0098, -1.0217, 0.8142],
[-0.2414, -0.1790, 2.3506],
[-0.6860, -0.2363, 1.0481]]])
>>> torch.transpose(x, 1, 2).size()
torch.Size([2, 3, 4])
>>> torch.transpose(x, 1, 2)
tensor([[[-1.2502, -0.2050, -0.2591, -1.2189],
[-0.7363, 3.1847, -0.0860, -1.1206],
[ 0.5534, -1.6729, 0.4660, 0.0637]],
[[ 1.4791, 0.0098, -0.2414, -0.6860],
[-0.7569, -1.0217, -0.1790, -0.2363],
[ 2.5017, 0.8142, 2.3506, 1.0481]]])
>>> torch.transpose(x, 0, 1).size()
torch.Size([4, 2, 3])
>>> torch.transpose(x, 0, 1)
tensor([[[-1.2502, -0.7363, 0.5534],
[ 1.4791, -0.7569, 2.5017]],
[[-0.2050, 3.1847, -1.6729],
[ 0.0098, -1.0217, 0.8142]],
[[-0.2591, -0.0860, 0.4660],
[-0.2414, -0.1790, 2.3506]],
[[-1.2189, -1.1206, 0.0637],
[-0.6860, -0.2363, 1.0481]]])
|
可以对多维度的张量进行转置
-
torch.Tensor.permute(dims)
将 tensor 的维度换位
接着用上面的数据举个例子：
>>> x.size()
torch.Size([2, 4, 3])
>>> x.permute(2, 0, 1).size()
torch.Size([3, 2, 4])
>>> x.permute(2, 0, 1)
tensor([[[-1.2502, -0.2050, -0.2591, -1.2189],
[ 1.4791, 0.0098, -0.2414, -0.6860]],
[[-0.7363, 3.1847, -0.0860, -1.1206],
[-0.7569, -1.0217, -0.1790, -0.2363]],
[[ 0.5534, -1.6729, 0.4660, 0.0637],
[ 2.5017, 0.8142, 2.3506, 1.0481]]])
|
直接在方法中填入各个维度的索引，张量就会交换指定维度的尺寸，不限于两两交换。
|
