Pytorch view() permute() contiguous() transpose()

原始tensor

import torch a = torch.Tensor([[[1,2,3],[4,5,6],[7,8,9]]]) print(a) print(a.size())

输出：

tensor([[[1., 2., 3.], [4., 5., 6.], [7., 8., 9.]]]) torch.Size([1, 3, 3])

1.view()

改变tensor的形状

view() 的具体理解请见文章：pytorch中x = x.view(x.size(0), -1) 的理解

b = a.view(3,-1) print(b) print(b.size())

输出

tensor([[1., 2., 3.], [4., 5., 6.], [7., 8., 9.]]) torch.Size([3, 3])

或者使用view把a变换为和permute() 一样的形状，请注意tensor的内容是不一样的

d = a.view(3,1,3) print(d) print(d.size())

输出：

tensor([[[1., 2., 3.]], [[4., 5., 6.]], [[7., 8., 9.]]]) torch.Size([3, 1, 3])

2.permute()

用于维度换位

c= a.permute(2,0,1) print(c) print(c.size())

输出：

tensor([[[1., 4., 7.]], [[2., 5., 8.]], [[3., 6., 9.]]]) torch.Size([3, 1, 3])

3.contiguous()

有些tensor并不是占用一整块内存，而是由不同的数据块组成。

contiguous()函数的作用：把tensor变成在内存中连续分布的形式。

参考：https://blog.csdn.net/u014221266/article/details/80143212

4.transpose()

pytorch中 permute()可以对高维矩阵进行变换python 中 transpose()只能操作2D矩阵的变换 e = a.transpose(2,0,1) print(e) print(e.size()) TypeError: transpose() takes 2 positional arguments but 3 were given e = a.transpose(1,0) print(e) print(e.size()) tensor([[[1., 2., 3.]], [[4., 5., 6.]], [[7., 8., 9.]]]) torch.Size([3, 1, 3])

另外：

numpy中的transpose() 函数是可以改变高维数组的形状

img_ = img[:,:,::-1].transpose((2,0,1))

5.squeeze() 和 unsqueeze()

参考文章：一文掌握torch.squeeze() 和torch.unsqueeze()的用法

torch.squeeze() 这个函数主要对数据的维度进行压缩，去掉维数为1的的维度，默认是将a中所有为1的维度删掉。也可以通过dim指定位置，删掉指定位置的维数为1的维度。

相反

torch.unsqueeze() 这个函数主要是对数据维度进行扩充。需要通过dim指定位置，给指定位置加上维数为1的维度。