版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
pytorch中提供了对tensor常用的变换操作。
cat 连接
对数据沿着某一维度进行拼接。cat后数据的总维数不变。
比如下面代码对两个2维tensor(分别为2*3,1*3)进行拼接,拼接完后变为3*3还是2维的tensor。
代码如下:
import torch
torch.manual_seed(1)
x = torch.randn(2,3)
y = torch.randn(1,3)
print(x,y)
- 1
- 2
- 3
- 4
- 5
结果:
0.6614 0.2669 0.0617
0.6213 -0.4519 -0.1661
[torch.FloatTensor of size 2x3]
-1.5228 0.3817 -1.0276
[torch.FloatTensor of size 1x3]
- 1
- 2
- 3
- 4
- 5
- 6
将两个tensor拼在一起:
torch.cat((x,y),0)
- 1
结果:
0.6614 0.2669 0.0617
0.6213 -0.4519 -0.1661
-1.5228 0.3817 -1.0276
[torch.FloatTensor of size 3x3]
- 1
- 2
- 3
- 4
更灵活的拼法:
torch.manual_seed(1)
x = torch.randn(2,3)
print(x)
print(torch.cat((x,x),0))
print(torch.cat((x,x),1))
- 1
- 2
- 3
- 4
- 5
结果
// x
0.6614 0.2669 0.0617
0.6213 -0.4519 -0.1661
[torch.FloatTensor of size 2x3]
// torch.cat((x,x),0)
0.6614 0.2669 0.0617
0.6213 -0.4519 -0.1661
0.6614 0.2669 0.0617
0.6213 -0.4519 -0.1661
[torch.FloatTensor of size 4x3]
// torch.cat((x,x),1)
0.6614 0.2669 0.0617 0.6614 0.2669 0.0617
0.6213 -0.4519 -0.1661 0.6213 -0.4519 -0.1661
[torch.FloatTensor of size 2x6]
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
stack,增加新的维度进行堆叠
而stack则会增加新的维度。
如对两个1*2维的tensor在第0个维度上stack,则会变为2*1*2的tensor;在第1个维度上stack,则会变为1*2*2的tensor。
见代码:
a = torch.ones([1,2])
b = torch.ones([1,2])
c= torch.stack([a,b],0) // 第0个维度stack
- 1
- 2
- 3
输出:
(0 ,.,.) =
1 1
(1 ,.,.) =
1 1
[torch.FloatTensor of size 2x1x2]
- 1
- 2
- 3
- 4
- 5
- 6
c= torch.stack([a,b],1) // 第1个维度stack
- 1
输出:
(0 ,.,.) =
1 1
1 1
[torch.FloatTensor of size 1x2x2]
- 1
- 2
- 3
- 4
transpose ,两个维度互换
代码如下:
torch.manual_seed(1)
x = torch.randn(2,3)
print(x)
- 1
- 2
- 3
原来x的结果:
0.6614 0.2669 0.0617
0.6213 -0.4519 -0.1661
[torch.FloatTensor of size 2x3]
- 1
- 2
- 3
将x的维度互换
x.transpose(0,1)
- 1
结果
0.6614 0.6213
0.2669 -0.4519
0.0617 -0.1661
[torch.FloatTensor of size 3x2]
- 1
- 2
- 3
- 4
permute,多个维度互换,更灵活的transpose
permute是更灵活的transpose,可以灵活的对原数据的维度进行调换,而数据本身不变。
代码如下:
x = torch.randn(2,3,4)
print(x.size())
x_p = x.permute(1,0,2) # 将原来第1维变为0维,同理,0→1,2→2
print(x_p.size())
- 1
- 2
- 3
- 4
结果:
torch.Size([2, 3, 4])
torch.Size([3, 2, 4])
- 1
- 2
squeeze 和 unsqueeze
常用来增加或减少维度,如没有batch维度时,增加batch维度为1。
- squeeze(dim_n)压缩,减少dim_n维度 ,即去掉元素数量为1的dim_n维度。
- unsqueeze(dim_n),增加dim_n维度,元素数量为1。
上代码:
# 定义张量
import torch
b = torch.Tensor(2,1)
b.shape
Out[28]: torch.Size([2, 1])
#不加参数,去掉所有为元素个数为1的维度
b_ = b.squeeze()
b_.shape
Out[30]: torch.Size([2])
#加上参数,去掉第一维的元素为1,不起作用,因为第一维有2个元素
b_ = b.squeeze(0)
b_.shape
Out[32]: torch.Size([2, 1])
#这样就可以了
b_ = b.squeeze(1)
b_.shape
Out[34]: torch.Size([2])
#增加一个维度
b_ = b.unsqueeze(2)
b_.shape
Out[36]: torch.Size([2, 1, 1])
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26