Seven---pytorch学习---维度变换

## 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