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

1. a = torch.tensor([[1, 2, 3],
2.                   [1, 2, 3]])
3. b = a.repeat(2, 2)
4. print(b.shape)

复制代码

效果为：

1. torch.Size([4,6])

复制代码

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

1. # a形状(2,3)
2. a = torch.tensor([[1, 2, 3],
3.                   [1, 2, 3]])
4. # repeat参数比维度多
5. # 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
6. # 在扩展前先将a的形状扩展为(1,2,3)然后复制
7. b = a.repeat(1, 2, 1)
8. print(b.shape)  # 得到结果torch.Size([1, 4, 3])

复制代码

1. # a形状(2,3)
2. a = torch.tensor([[1, 2, 3],
3.                   [1, 2, 3]])
4. # 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
5. b = a.repeat(1, 1, 2)
6. print(b.shape)  # 得到结果torch.Size([1, 2, 6])

复制代码

1. # a形状(2,3)
2. a = torch.tensor([[1, 2, 3],
3.                   [1, 2, 3]])
4. # 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
5. b = a.repeat(2, 1, 1)
6. print(b.shape)  # 得到结果torch.Size([2, 2, 3])

复制代码

squeeze 函数

1. torch.squeeze(A，N)

复制代码

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
  

1. a=torch.randn(1,1,3)
2. print(a.shape) # torch.Size([1, 1, 3])
3. b=torch.squeeze(a)
4. print(b.shape)        # torch.Size([3])
5. c=torch.squeeze(a,0)
6. print(c.shape)  # torch.Size([1, 3])
7. d=torch.squeeze(a,1)
8. print(d.shape)        # torch.Size([1, 3])
9. e=torch.squeeze(a,2)#如果去掉第三维，则数不够放了，所以直接保留
10. print(e.shape)        # torch.Size([1, 1, 3])

复制代码

unsqueeze 函数

1. torch.unsqueeze(A，N)

复制代码

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

1. （[位置0]， 2，[位置1]， 3， [位置2]）
2. 或者
3. （ [位置-3] ，2，[位置-2]， 3 ，[位置-1] ）

复制代码

如果执行 torch.unsqueeze(A，1)，数据的维度就变为了 （2，1，3）

1. a=torch.randn(1,3)
2. print(a.shape)        # torch.Size([1, 3])
3. b=torch.unsqueeze(a,0)
4. print(b.shape)        # torch.Size([1, 1, 3])
5. c=torch.unsqueeze(a,1)
6. print(c.shape)        # torch.Size([1, 1, 3])
7. d=torch.unsqueeze(a,2)
8. print(d.shape)        # torch.Size([1, 3, 1])

复制代码

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。

1. import torch
2. a = torch.rand(2,3,4)
3. print(a.shape) # torch.Size([2, 3, 4])
4. b = a.flatten()
5. print(b.shape)  # torch.Size([24])
6. c = a.flatten(0)
7. print(c.shape)  # torch.Size([24])
8. d = a.flatten(1)
9. print(d.shape)  # torch.Size([2, 12])
10. e = a.flatten(2)
11. print(e.shape)         # torch.Size([2, 3, 4])

复制代码

transpose函数

二维数组

1. import numpy as np
2. X=np.arange(6).reshape((2,3))
3. print(X)
4. #[[0 1 2]
5. # [3 4 5]]
7. print(X.transpose())
8. #[[0 3]
9. # [1 4]
10. # [2 5]]
12. print(X.T)
13. #[[0 3]
14. # [1 4]
15. # [2 5]]

复制代码

多维数组

1. x=np.arange(24).reshape((2,3,4))
2. print(x.shape)
3. y = x.transpose((0,1,2))
4. print(y.shape)
5. y = x.transpose((0,2,1))
6. print(y.shape)
7. y = x.transpose((2,1,0))
8. print(y.shape)
10. #(2, 3, 4)
11. #(2, 3, 4)
12. #(2, 4, 3)
13. #(4, 3, 2)

复制代码

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。