Pytorch-张量形状操作

😆😆😆感谢大家的观看😆😆

🌹

reshape 函数

transpose 和 permute 函数

view 和 contigous 函数

squeeze 和 unsqueeze 函数

在搭建网络模型时，掌握对张量形状的操作是非常重要的，因为这直接影响到数据如何在网络各层之间传递和处理。网络层与层之间很多都是以不同的 shape 的方式进行表现和运算，我们需要掌握对张量形状的操作，以便能够更好处理网络各层之间的数据连接，确保数据能够顺利地在网络中流动，接下来我们看看几个常用的函数方法🌹

reshape 函数

💎reshape 函数可以在保证张量数据不变的前提下改变数据的维度，将其转换成指定的形状，在后面的神经网络学习时，会经常使用该函数来调节数据的形状，以适配不同网络层之间的数据传递。

import torch

# 创建一个张量
tensor = torch.tensor([[1, 2], [3, 4]])
print("原始张量：")
print(tensor)
# (2,2)

# 使用reshape函数修改张量形状
reshaped_tensor = tensor.reshape(1, 4)
print("修改后的张量：")
print(reshaped_tensor)
# (1,4)

当第二个参数为-1时，表示自动计算该维度的大小，以使得张量的元素总数不变，这样我们可以免去思考的时间。

import torch

# 创建一个张量
tensor = torch.tensor([[1, 2], [3, 4]])
print("原始张量：")
print(tensor)

# 使用reshape函数修改张量形状，第二个参数为-1
reshaped_tensor = tensor.reshape(1, -1)
print("修改后的张量：")
print(reshaped_tensor)


原始张量：
tensor([[1, 2],
        [3, 4]])
修改后的张量：
tensor([[1, 2, 3, 4]])

transpose 和 permute 函数

💎transpose 函数可以实现交换张量形状的指定维度，permute 函数可以一次交换更多的维度。

transpose：transpose用于交换张量的两个维度。它并不改变张量中元素的数量，也不改变每个元素的值，只是改变了元素在张量中的排列顺序。在二维情况下，transpose相当于矩阵的转置，将行变为列，列变为行。在多维情况下，它会按照提供的轴(dimension)参数来重新排列维度。
reshape：reshape则是改变张量的形状，而不改变任何特定的维度位置。你可以使用reshape将张量从一种形状变换到另一种形状，只要两个形状的元素总数相同。这个过程不涉及元素之间的交换，只是调整了元素在内存中的分布，以适应新的形状。在内部实现上，reshape通常通过修改张量的元数据（如shape和strides属性）来实现，而不需要重新排列数据本身。
如果你需要保持张量中元素的相对位置不变，仅调整张量的维度顺序，那么应该使用transpose；如果你需要改变张量的整体形状而不关心维度的顺序，reshape会是正确的选择。

data = torch.tensor(np.random.randint(0, 10, [3, 4, 5]))
print('data shape:', data.size())

交换1和2维度
new_data = torch.transpose(data, 1, 2)
print('data shape:', new_data.size())

#将 data 的形状修改为 (4, 5, 3)
new_data = torch.transpose(data, 0, 1)
new_data = torch.transpose(new_data, 1, 2)
print('new_data shape:', new_data.size())

# 使用 permute 函数将形状修改为 (4, 5, 3)
new_data = torch.permute(data, [1, 2, 0])
print('new_data shape:', new_data.size())

# 结果
data shape: torch.Size([3, 4, 5])
data shape: torch.Size([3, 5, 4])
new_data shape: torch.Size([4, 5, 3])
new_data shape: torch.Size([4, 5, 3])

view 和 contigous 函数

💎view 函数也可以用于修改张量的形状，只能用于存储在整块内存中的张量。在 PyTorch 中，有些张量是由不同的数据块组成的，它们并没有存储在整块的内存中，view 函数无法对这样的张量进行变形处理，如果张量存储在不连续的内存中，使用view函数会导致错误。在这种情况下，可以使用contiguous函数将张量复制到连续的内存中，然后再使用view函数进行形状修改。

import torch

# 创建一个张量
tensor = torch.randn(2, 3, 4)

# 使用view函数改变张量的形状
reshaped_tensor = tensor.view(6, 4)

# 使用contiguous函数使张量在内存中连续存储
contiguous_tensor = tensor.contiguous()

使用 transpose 函数修改形状或者 permute 函数的处理之后，就无法使用 view 函数进行形状操作，这时data.contiguous().view(2, 3)即可。

squeeze 和 unsqueeze 函数

💎squeeze函数用于移除张量中维度为1的轴，而unsqueeze函数则用于在指定位置插入一个新的维度。

torch.squeeze(input, dim=None)

input: 输入张量。
dim: 可选参数，指定要移除的维度。如果不指定，则移除所有大小为1的维度。

import torch

A = torch.tensor([[[1, 2, 3], [4, 5, 6]]])
print(A.shape) # 输出：torch.Size([1, 2, 3])
B = torch.squeeze(A)
print(B.shape) # 输出：torch.Size([2, 3])
C = torch.squeeze(A, 0)
print(C.shape) # 输出：torch.Size([2, 3])
D = torch.squeeze(A, 1)
print(D.shape) # 输出：torch.Size([1, 3])

torch.unsqueeze(input, dim)

input: 输入张量。
dim: 指定要插入新维度的位置。

import torch

A = torch.tensor([1, 2, 3])
print(A.shape) # 输出：torch.Size([3])
B = torch.unsqueeze(A, 0)
print(B.shape) # 输出：torch.Size([1, 3])
C = torch.unsqueeze(A, 1)
print(C.shape) # 输出：torch.Size([3, 1])

🎰小结