标签：Seven 32 torch shape --- 维度 pytorch print Size

## pytorch学习(4)

### 维度变换

- view & reshape

- squeeze & unsqueeze

- transpose & permute

- expand & repeat

- contiguous

 

#### view & reshape

> view() 与 reshape() 的区别

- view() 只适用于满足连续性条件的tensor，且不会开辟新的内存空间
- reshape() 的返回值既可以是视图，也可以是副本，当曼珠连续性条件时返回 view() ，否则返回副本；且使用 reshape() 时，会开辟新的内存空间
- 故当不确定能否使用 view() 时，可以使用 reshape()

##### view()函数

```python
import torch

a = torch.rand(4,3,32,32) #维度为4
b = a.view(4,3,32*32) #维度为3
c = a.view(4,-1) #维度为2,使用-1可进行省略缩进
print(a.shape)
print(b.shape)
print(c.shape)
-------------------------------------------------------
torch.Size([4, 3, 32, 32])
torch.Size([4, 3, 1024])
torch.Size([4, 3072])
```

##### reshape()函数

```python
import torch

a = torch.rand(4,3,32,32)
b = a.reshape(4,3,-1)
c = a.reshape(4,-1)
print(b.shape)
print(c.shape)
-------------------------------------------------------
torch.Size([4, 3, 1024])
torch.Size([4, 3072])
```

#### squeeze & unsqueeze

> squeeze & unsqueeze 的功能时维度的减少 / 增加

##### squeeze()函数

- torch.squeeze(input,dim) 返回一个tensor
- 当dim不设置时，去掉input的所有为1的维度
- 当dim为整数时（0 <= dim < input.dim()），判断dim是否为1，若是则删去，否则不变
- dim的取值范围：[-input.dim(),input.dim()-1 ]

```python
import torch

a = torch.rand(1,1,2,2,5)
print(a.squeeze().shape)
print(a.squeeze(0).shape)
print(a.squeeze(1).shape)
print(a.squeeze(2).shape)
print(a.squeeze(-1).shape)
-------------------------------------------------------
torch.Size([2, 2, 5])
torch.Size([1, 2, 2, 5])
torch.Size([1, 2, 2, 5])
torch.Size([1, 1, 2, 2, 5])
torch.Size([1, 1, 2, 2, 5])
```

##### unsqueeze()函数

- torch.unsqueeze(input,dim): 对 input 数据维度进行扩充，在 dim 维插入一个 dim = 1 的维度
- dim 是必选参数
- dim 的取值范围：[-input.dim()-1,input.dim()]

```python
import torch

a = torch.rand(1,1,2,2,5)
print(a.unsqueeze(0).shape)
print(a.unsqueeze(2).shape)
print(a.unsqueeze(3).shape)
print(a.unsqueeze(-1).shape)
-------------------------------------------------------
torch.Size([1, 1, 1, 2, 2, 5])
torch.Size([1, 1, 1, 2, 2, 5])
torch.Size([1, 1, 2, 1, 2, 5])
torch.Size([1, 1, 2, 2, 5, 1])
```

#### transpose & permute

##### transpose()函数

- transpose() 函数只能有两个相关的交换的位置参数
- 使用transpose() 函数的时候，tensor 自身不会改变，因此需要将结果重新赋值

```python
import torch

a = torch.rand(2,3,32,32)
print(a.transpose(0,3).shape)
print(a.transpose(1,2).shape)
-------------------------------------------------------
torch.Size([32, 3, 32, 2])
torch.Size([2, 32, 3, 32])
```

##### permute()函数

- permute() 函数可以一次操作多维数据，且必须传入所有维度数
- 对一个高维的 tensor 执行 permute，并没有改变数据的相对位置，只是旋转了一下这个立方体（或者说改变了对这个立方体的视觉角度）

```python
import torch

a = torch.rand(2,3,32,32)
print(a.permute(0,3,2,1).shape)
print(a.permute(1,3,2,0).shape)
-------------------------------------------------------
torch.Size([2, 32, 32, 3])
torch.Size([3, 32, 32, 2])
```

#### expand & repeat

##### expand()函数

- torch.expand() 返回 tensor 的一个视图，单个维度扩大为更大的维度，或者在第0维新增加一个维度来扩大为更高维
- 如果哪个维度为 -1，就是该维度不变
- 使用expand时，不会创建新的内存地址

##### repeat()函数

- torch.repeat() 会将 tensor 在指定的维度方向上进行重复，参数表示在不同的维度上重复的次数
- 使用repeat时，会重新赋值，重新创建新的内存地址进行占用

```python
import torch

a = torch.rand(1,1,32,32)
print('a的数据是：',a.shape)
print('a的地址为：',a.data_ptr())

b = a.expand(1,3,32,32)
print('b的数据是：',b.shape)
print('b的地址为：',b.data_ptr())

c = a.repeat(1,3,1,1)
print('c的数据是：',c.shape)
print('c的地址为：',c.data_ptr())

d = a.repeat(1,3,2,2)
print('d的数据是：',d.shape)
print('d的地址为：',d.data_ptr())
-------------------------------------------------------
a的数据是： torch.Size([1, 1, 32, 32])
a的地址为： 2191754885568
b的数据是： torch.Size([1, 3, 32, 32])
b的地址为： 2191754885568 #expand执行后的内存地址仍为原a的地址
c的数据是： torch.Size([1, 3, 32, 32])
c的地址为： 2191823748608 #repeat执行后的内存地址发生了改变
d的数据是： torch.Size([1, 3, 64, 64])
d的地址为： 2191823870400
```

#### contiguous

[torch.contiguous方法讲解（这篇blog很通俗便于理解）]: https://blog.csdn.net/qq_37828380/article/details/107855070

 

标签：Seven,32,torch,shape,---,维度,pytorch,print,Size
来源： https://www.cnblogs.com/311dih/p/16583853.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。