Pytorch基础：Tensor的permute方法

在Pytorch中，permute是Tensor的一个重要方法，同时它也是一个torch模块中的一个函数，它们的语法如下所示。

复制代码

Tensor.permute(*dims) → Tensor
torch.permute(input, dims) → Tensor

input (Tensor) -- the input tensor
dims (tuple of int) -- The desired ordering of dimensions

官方的解释是：返回原始张量输入的视图，并对其维度进行转置。这里返回视图指的是一个新的tensor对象，但新旧tensor对象内的数据共享存储（即是同一个对象），返回的新对象可能会变得不连续，这样就无法对新对象使用view方法。

可以看几个例子以更好的理解：

复制代码

import torch
 
# 创建一个张量
x = torch.rand(3, 3, 3)

 
# 使用permute操作，倒置三个维度
y = x.permute(2, 1, 0)
 
print(x, y)
 
tensor([[[0.9701, 0.7507, 0.8002],
         [0.5876, 0.1460, 0.0386],
         [0.5126, 0.1538, 0.5863]],

        [[0.8500, 0.8774, 0.2415],
         [0.1053, 0.5650, 0.7321],
         [0.8260, 0.1564, 0.7447]],

        [[0.5131, 0.7111, 0.3469],
         [0.6031, 0.8140, 0.9770],
         [0.7578, 0.0223, 0.5515]]])

tensor([[[0.9701, 0.8500, 0.5131],
         [0.5876, 0.1053, 0.6031],
         [0.5126, 0.8260, 0.7578]],

        [[0.7507, 0.8774, 0.7111],
         [0.1460, 0.5650, 0.8140],
         [0.1538, 0.1564, 0.0223]],

        [[0.8002, 0.2415, 0.3469],
         [0.0386, 0.7321, 0.9770],
         [0.5863, 0.7447, 0.5515]]])
 
print(id(x),id(y))
4554479952 4811331200 # 说明两个张量对象不同
 
print(x.storage().data_ptr(), y.storage().data_ptr())
4830094080 4830094080 # 说明两个张量对象里面保存的数据存储是共享的
 
print(id(x[0,0]), id(y[0,0])) 
4570943952 4570943952 # 进一步说明两个张量对象里面保存的数据存储是共享的
 
y[0, 0] = 7
print(x, y)
tensor([[[7.0000, 0.7507, 0.8002],
         [0.5876, 0.1460, 0.0386],
         [0.5126, 0.1538, 0.5863]],

        [[7.0000, 0.8774, 0.2415],
         [0.1053, 0.5650, 0.7321],
         [0.8260, 0.1564, 0.7447]],

        [[7.0000, 0.7111, 0.3469],
         [0.6031, 0.8140, 0.9770],
         [0.7578, 0.0223, 0.5515]]]) 

tensor([[[7.0000, 7.0000, 7.0000],
         [0.5876, 0.1053, 0.6031],
         [0.5126, 0.8260, 0.7578]],

        [[0.7507, 0.8774, 0.7111],
         [0.1460, 0.5650, 0.8140],
         [0.1538, 0.1564, 0.0223]],

        [[0.8002, 0.2415, 0.3469],
         [0.0386, 0.7321, 0.9770],
         [0.5863, 0.7447, 0.5515]]])# 说明对新tensor的更改影响了原tensor
 
print(x.is_contiguous(), y.is_contiguous())  
True False # 说明x是连续的，y不是连续的

以上的内容，类似于之前在关于python中列表的浅拷贝中说到的那样，对新列表内部嵌套的列表中的元素的更改会影响原列表。如下所示。列表的浅拷贝

复制代码

import copy
my_list = [1, 2, [1, 2]]
 
your_list = list(my_list)  #工厂函数
his_list = my_list[:]      #切片操作
her_list = copy.copy(my_list)    #copy模块的copy函数
 
your_list[2][0] = 3
print(my_list)
print(your_list)
print(his_list)
print(her_list)
 
his_list[2][1] = 4
print(my_list)
print(your_list)
print(his_list)
print(her_list)
 
her_list[2].append(5)
print(my_list)
print(your_list)
print(his_list)
print(her_list)
 
 
 
输出
[1, 2, [3, 2]]
[1, 2, [3, 2]]
[1, 2, [3, 2]]
[1, 2, [3, 2]]
 
[1, 2, [3, 4]]
[1, 2, [3, 4]]
[1, 2, [3, 4]]
[1, 2, [3, 4]]
 
[1, 2, [3, 4, 5]]
[1, 2, [3, 4, 5]]
[1, 2, [3, 4, 5]]
[1, 2, [3, 4, 5]]

但不一样的是，在这里甚至对tensor中非嵌套的内容的修改也会导致另一个tensor受到影响，如下所示。

复制代码

import torch

# 创建一个张量
x = torch.tensor([[1, 2, 3], [4, 5, 6]])

# 使用permute操作
y = x.permute(0, 1)

print(x, y)

tensor([[1, 2, 3],
        [4, 5, 6]])
tensor([[1, 4],
        [2, 5],
        [3, 6]])

x[0] = torch.tensor[4, 4, 4] # 改变其中一个tensor的第0个元素

print(x, y)

tensor([[4, 4, 4],
        [4, 5, 6]])
tensor([[4, 4],
        [4, 5],
        [4, 6]])