pytorch小记（四）：pytorch中的重排操作：x.permute()

pytorch小记（四）：pytorch中的重排操作：x.permute（）

• • • [1. 初始张量 `x`](#1. 初始张量 x)
    • [2. 调用 `permute` 的原理](#2. 调用 permute 的原理)
    • 案例分析
    • • [2.1 `z = x.permute(0, 2, 1)`](#2.1 z = x.permute(0, 2, 1))
      • [2.2 `z = x.permute(1, 0, 2)`](#2.2 z = x.permute(1, 0, 2))
      • [2.3 `z = x.permute(1, 2, 0)`](#2.3 z = x.permute(1, 2, 0))
      • [2.4 `z = x.permute(2, 0, 1)`](#2.4 z = x.permute(2, 0, 1))
      • [2.5 `z = x.permute(2, 1, 0)`](#2.5 z = x.permute(2, 1, 0))
    • 总结

---

在 PyTorch 中，permute 是一种对张量维度重新排列的方法。它不会更改数据，而是根据指定的顺序交换维度的位置。

---

1. 初始张量 x

代码：

x = torch.arange(6).reshape(1, 2, 3)
print(x)

输出：

tensor([[[0, 1, 2],
         [3, 4, 5]]])

• x 的形状是 (1, 2, 3)：
  • 第 0 维：长度为 1，对应的是最外层的维度（块）。
  • 第 1 维：长度为 2，对应的是行数。
  • 第 2 维：长度为 3，对应的是列数。

---

2. 调用 permute 的原理

• permute 的参数是新维度的顺序。
• 每个参数表示原始维度的索引，permute(a, b, c) 意味着：
  • 原第 a 维变为新第 0 维。
  • 原第 b 维变为新第 1 维。
  • 原第 c 维变为新第 2 维。

具体计算时，张量的内容 不变，只是维度排列的方式发生了变化。

---

案例分析

2.1 z = x.permute(0, 2, 1)

代码：

z = x.permute(0, 2, 1)
print(z)

解释：

• permute(0, 2, 1) 表示：
  • 第 0 维保持不变。
  • 第 2 维变为第 1 维。
  • 第 1 维变为第 2 维。

原张量：

x = [[[0, 1, 2],  
      [3, 4, 5]]] 
      
# 第 0 维：行 ([[0, 1, 2], [3, 4, 5]])
# 第 1 维：行 ([0, 1, 2], [3, 4, 5])
# 第 2 维：列 ([0, ..., 3], [1, ..., 4], [2, ..., 5])

调整后张量：

• 第 0 维（块）：仍为 [[0, 1, 2], [3, 4, 5]]。
• 第 1 维：原来的列 [0, ..., 3]， [1, ..., 4] 和 [2, ..., 5]变为行。
• 第 2 维：原来的行 [0, 1, 2] 和 [3, 4, 5] 变为列。

结果：

tensor([[[0, 3],
         [1, 4],
         [2, 5]]])

---

2.2 z = x.permute(1, 0, 2)

代码：

z = x.permute(1, 0, 2)
print(z)

解释：

• permute(1, 0, 2) 表示：
  • 第 1 维变为第 0 维。
  • 第 0 维变为第 1 维。
  • 第 2 维保持不变。

原张量：

x = [[[0, 1, 2],  
      [3, 4, 5]]] 
      
# 第 0 维：行 ([[0, 1, 2], [3, 4, 5]])
# 第 1 维：行 ([0, 1, 2], [3, 4, 5])
# 第 2 维：列 ([0, ..., 3], [1, ..., 4], [2, ..., 5])

结果：

tensor([[[0, 1, 2]],
        [[3, 4, 5]]])

• 第 0 维（原第 1 维）：行数变成了最外层维度。
• 第 1 维（原第 0 维）：长度为 1。
• 第 2 维保持不变。

---

2.3 z = x.permute(1, 2, 0)

代码：

z = x.permute(1, 2, 0)
print(z)

解释：

• permute(1, 2, 0) 表示：
  • 第 1 维变为第 0 维。
  • 第 2 维变为第 1 维。
  • 第 0 维变为第 2 维。

原张量：

x = [[[0, 1, 2],  
      [3, 4, 5]]] 
      
# 第 0 维：行 ([[0, 1, 2], [3, 4, 5]])
# 第 1 维：行 ([0, 1, 2], [3, 4, 5])
# 第 2 维：列 ([0, ..., 3], [1, ..., 4], [2, ..., 5])

结果：

tensor([[[0],
         [1],
         [2]],
        [[3],
         [4],
         [5]]])

• 第 0 维（原第 1 维）：行数变成了最外层维度。
• 第 1 维（原第 2 维）：列数变成了行。
• 第 2 维（原第 0 维）：长度为 1。

---

2.4 z = x.permute(2, 0, 1)

代码：

z = x.permute(2, 0, 1)
print(z)

解释：

• permute(2, 0, 1) 表示：
  • 第 2 维变为第 0 维。
  • 第 0 维变为第 1 维。
  • 第 1 维变为第 2 维。

原张量：

x = [[[0, 1, 2],  
      [3, 4, 5]]] 
      
# 第 0 维：行 ([[0, 1, 2], [3, 4, 5]])
# 第 1 维：行 ([0, 1, 2], [3, 4, 5])
# 第 2 维：列 ([0, ..., 3], [1, ..., 4], [2, ..., 5])

结果：

tensor([[[0, 3]],
        [[1, 4]],
        [[2, 5]]])

• 第 0 维（原第 2 维）：列数变成最外层维度。
• 第 1 维（原第 0 维）：长度为 1。
• 第 2 维（原第 1 维）：行数保持不变。

---

2.5 z = x.permute(2, 1, 0)

代码：

z = x.permute(2, 1, 0)
print(z)

解释：

• permute(2, 1, 0) 表示：
  • 第 2 维变为第 0 维。
  • 第 1 维保持不变。
  • 第 0 维变为第 2 维。

结果：

tensor([[[0],
         [3]],
        [[1],
         [4]],
        [[2],
         [5]]])

• 第 0 维（原第 2 维）：列数变成最外层维度。
• 第 1 维（原第 1 维）：行数保持不变。
• 第 2 维（原第 0 维）：长度为 1。

---

总结

x.permute() 的核心就是重新排列维度，保持数据本身不变。通过指定新维度的顺序，可以调整张量的形状和访问方式，用于数据处理和模型输入等场景。