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
开发者导航9 分钟前
【开发者导航】支持多存储方式的开源文件列表程序:OpenList
人工智能·学习·阿里云·信息可视化
查士丁尼·绵12 分钟前
笔试-士兵过河
python
GISer_Jing12 分钟前
前端学习总结——AI&主流前沿方向篇
前端·人工智能·学习
weixin_466813 分钟前
编程之python基础
开发语言·python
打酱油的;20 分钟前
【无标题】
爬虫·python·php
用户51914958484522 分钟前
cURL Kerberos FTP整数溢出漏洞分析与修复
人工智能·aigc
文火冰糖的硅基工坊22 分钟前
[嵌入式系统-108]:定昌电子DC-A588电路板介绍,一款基于瑞芯微RK3588芯片的高性能嵌入式AI边缘计算工控主机
人工智能·物联网·边缘计算
视***间31 分钟前
边缘计算重塑监控系统:从 “被动录像” 到 “主动智能” 的变革---视程空间
大数据·人工智能·边缘计算·ai算力·视程空间
song1502653729833 分钟前
视觉检测设备-AI视觉质量检测方案提升效率
人工智能·计算机视觉·视觉检测
幸福清风1 小时前
【Python】基于Tkinter库实现文件夹拖拽与选择功能
windows·python·microsoft·tkinter