torch中维度操作总结(repeat,squeeze,unsqueeze,flatten,transpose)
repeat 函数1.repeat参数个数与tensor向量维数一致
a = torch.tensor([,
])
b = a.repeat(2, 2)
print(b.shape)
效果为：
torch.Size()
即repeat的参数是对应维度的复制个数，上段代码为0维复制两次，1维复制两次，则得到以上运行效果。其余扩展情况依此类推。
2.repeat参数个数与tensor向量维数不一致
在参数个数大于原tensor维度个数时，总是先在第0维扩展一个维数为1的维度，然后按照参数指定的复制次数进行复制。计算输出的形状时，可以按照 对应参数*对应维度维数 得到效果
# a形状(2,3)
a = torch.tensor([,
])
# repeat参数比维度多
# 首先在第0维扩展一个维度，维数为1，然后按照参数指定的次数进行复制
# 在扩展前先将a的形状扩展为(1,2,3)然后复制
b = a.repeat(1, 2, 1)
print(b.shape)# 得到结果torch.Size()
# a形状(2,3)
a = torch.tensor([,
])
# repeat参数比维度多，在扩展前先将a的形状扩展为(1,2,3)然后复制
b = a.repeat(1, 1, 2)
print(b.shape)# 得到结果torch.Size()
# a形状(2,3)
a = torch.tensor([,
])
# repeat参数比维度多，在扩展前先将a的形状扩展为(1,2,3)然后复制
b = a.repeat(2, 1, 1)
print(b.shape)# 得到结果torch.Size()
squeeze 函数
torch.squeeze(A，N)
torch.unsqueeze()函数：减少数组A指定位置N的维度。
如果不指定位置参数N，如果数组A的维度为（1，1，3）。
如果指定位置参数，执行 torch.squeeze(A，1) ，A的维度变为 （1，3），中心的维度被删除。
注：
[*]如果指定的维度大于1，那么将操作无效
[*]如果不指定维度N，那么将删除全部维度为1的维度
a=torch.randn(1,1,3)
print(a.shape) # torch.Size()
b=torch.squeeze(a)
print(b.shape) # torch.Size()
c=torch.squeeze(a,0)
print(c.shape)# torch.Size()
d=torch.squeeze(a,1)
print(d.shape) # torch.Size()
e=torch.squeeze(a,2)#如果去掉第三维，则数不够放了，所以直接保留
print(e.shape) # torch.Size()
unsqueeze 函数
torch.unsqueeze(A，N)
torch.unsqueeze()函数：增加数组A指定位置N的维度。
两行三列的数组A维度为(2，3)，那么这个数组就有三个位置可以增加维度，分别是
（[位置0]， 2，[位置1]， 3， [位置2]）
或者
（ [位置-3] ，2，[位置-2]， 3 ，[位置-1] ）
如果执行 torch.unsqueeze(A，1)，数据的维度就变为了 （2，1，3）
a=torch.randn(1,3)
print(a.shape) # torch.Size()
b=torch.unsqueeze(a,0)
print(b.shape) # torch.Size()
c=torch.unsqueeze(a,1)
print(c.shape) # torch.Size()
d=torch.unsqueeze(a,2)
print(d.shape) # torch.Size()
flatten 函数
flatten() 是对多维数据的降维函数。
flatten(),默认缺省参数为0，也就是说flatten()和flatte(0)效果一样。
python里的flatten(dim)表示，从第dim个维度开始睁开，将后面的维度转化为一维.也就是说，只保留dim之前的维度，其他维度的数据全都挤在dim这一维。
import torch
a = torch.rand(2,3,4)
print(a.shape) # torch.Size()
b = a.flatten()
print(b.shape)# torch.Size()
c = a.flatten(0)
print(c.shape)# torch.Size()
d = a.flatten(1)
print(d.shape)# torch.Size()
e = a.flatten(2)
print(e.shape) # torch.Size()
transpose函数
二维数组
import numpy as np
X=np.arange(6).reshape((2,3))
print(X)
#[
# ]
print(X.transpose())
#[
#
# ]
print(X.T)
#[
#
# ]
多维数组
x=np.arange(24).reshape((2,3,4))
print(x.shape)
y = x.transpose((0,1,2))
print(y.shape)
y = x.transpose((0,2,1))
print(y.shape)
y = x.transpose((2,1,0))
print(y.shape)
#(2, 3, 4)
#(2, 3, 4)
#(2, 4, 3)
#(4, 3, 2)
参考网址
https://blog.csdn.net/tequila53/article/details/119183678
https://blog.csdn.net/kuan__/article/details/116987162
说明
说明如下，如有侵权，非常抱歉，可联系本人删除对应内容。
会根据平时使用不断更新博客内容。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]