PyTorch维度操作的函数介绍

在 PyTorch 中,操作张量的维度是常见的需求,特别是在处理多维数据时。PyTorch 提供了一系列函数来操作张量的维度,包括改变维度顺序、添加或删除维度、扩展维度等。下面是一些常用的维度操作函数及其示例代码。

1. view()

  • 作用 :重新调整张量的形状(维度),但不改变其数据内容。view() 是基于张量的原始内存布局进行操作的,要求重新调整的形状能与原始数据兼容。

  • 示例

    import torch

    创建一个形状为 [2, 3, 4] 的张量

    tensor = torch.randn(2, 3, 4)

    调整为形状为 [6, 4] 的张量

    reshaped = tensor.view(6, 4)
    print(reshaped.shape) # 输出: torch.Size([6, 4])

2. permute()

  • 作用:重新排列张量的维度顺序。

  • 示例

    import torch

    创建一个形状为 [2, 3, 4] 的张量

    tensor = torch.randn(2, 3, 4)

    交换第一个维度和第二个维度,得到形状为 [3, 2, 4] 的张量

    permuted = tensor.permute(1, 0, 2)
    print(permuted.shape) # 输出: torch.Size([3, 2, 4])

3. unsqueeze()

  • 作用:在指定位置插入一个大小为 1 的新维度。

  • 示例

    import torch

    创建一个形状为 [3, 4] 的张量

    tensor = torch.randn(3, 4)

    在第 0 维添加一个新维度,结果形状为 [1, 3, 4]

    unsqueezed = tensor.unsqueeze(0)
    print(unsqueezed.shape) # 输出: torch.Size([1, 3, 4])

4. squeeze()

  • 作用:移除张量中所有大小为 1 的维度。

  • 示例

    import torch

    创建一个形状为 [1, 3, 1, 4] 的张量

    tensor = torch.randn(1, 3, 1, 4)

    移除所有大小为 1 的维度,结果形状为 [3, 4]

    squeezed = tensor.squeeze()
    print(squeezed.shape) # 输出: torch.Size([3, 4])

5. transpose()

  • 作用:交换张量的两个指定维度。

  • 示例

    import torch

    创建一个形状为 [2, 3, 4] 的张量

    tensor = torch.randn(2, 3, 4)

    交换第 1 维和第 2 维,结果形状为 [2, 4, 3]

    transposed = tensor.transpose(1, 2)
    print(transposed.shape) # 输出: torch.Size([2, 4, 3])

6. expand()

  • 作用:将张量的某些维度扩展为更大的尺寸,不会复制数据,而是通过广播机制扩展。

  • 示例

    import torch

    创建一个形状为 [2, 1, 4] 的张量

    tensor = torch.randn(2, 1, 4)

    扩展第 1 维到大小为 3,结果形状为 [2, 3, 4]

    expanded = tensor.expand(2, 3, 4)
    print(expanded.shape) # 输出: torch.Size([2, 3, 4])

7. repeat()

  • 作用:沿着指定的维度重复张量的元素。

  • 示例

    import torch

    创建一个形状为 [2, 3] 的张量

    tensor = torch.randn(2, 3)

    沿着第 0 维和第 1 维分别重复 2 次和 3 次,结果形状为 [4, 9]

    repeated = tensor.repeat(2, 3)
    print(repeated.shape) # 输出: torch.Size([4, 9])

8. cat()

  • 作用:在指定维度上连接多个张量。

  • 示例

    import torch

    创建两个形状为 [2, 3] 的张量

    tensor1 = torch.randn(2, 3)
    tensor2 = torch.randn(2, 3)

    在第 0 维连接,结果形状为 [4, 3]

    concatenated = torch.cat([tensor1, tensor2], dim=0)
    print(concatenated.shape) # 输出: torch.Size([4, 3])

9. stack()

  • 作用:在新的维度上堆叠多个张量。

  • 示例

    import torch

    创建两个形状为 [2, 3] 的张量

    tensor1 = torch.randn(2, 3)
    tensor2 = torch.randn(2, 3)

    在新的第 0 维堆叠,结果形状为 [2, 2, 3]

    stacked = torch.stack([tensor1, tensor2], dim=0)
    print(stacked.shape) # 输出: torch.Size([2, 2, 3])

总结

PyTorch 提供了丰富的维度操作函数,使得张量的操作非常灵活。在处理多维数据时,合理使用这些函数可以极大地简化代码,并提高数据处理的效率。

相关推荐
nju_spy3 分钟前
周志华《机器学习导论》第8章 集成学习 Ensemble Learning
人工智能·随机森林·机器学习·集成学习·boosting·bagging·南京大学
心情好的小球藻23 分钟前
Python应用进阶DAY9--类型注解Type Hinting
开发语言·python
都叫我大帅哥24 分钟前
LangChain加载HTML内容全攻略:从入门到精通
python·langchain
静心问道26 分钟前
TrOCR: 基于Transformer的光学字符识别方法,使用预训练模型
人工智能·深度学习·transformer·多模态
说私域28 分钟前
基于开源AI大模型、AI智能名片与S2B2C商城小程序源码的用户价值引导与核心用户沉淀策略研究
人工智能·开源
亲持红叶29 分钟前
GLU 变种:ReGLU 、 GEGLU 、 SwiGLU
人工智能·深度学习·神经网络·激活函数
说私域29 分钟前
线上协同办公时代:以开源AI大模型等工具培养网感,拥抱职业变革
人工智能·开源
群联云防护小杜31 分钟前
深度隐匿源IP:高防+群联AI云防护防绕过实战
运维·服务器·前端·网络·人工智能·网络协议·tcp/ip
惜.己35 分钟前
使用python读取json数据,简单的处理成元组数组
开发语言·python·测试工具·json
摘星编程36 分钟前
构建智能客服Agent:从需求分析到生产部署
人工智能·需求分析·智能客服·agent开发·生产部署