10,09_维度变换,view、reshape,unsqueeze,Squeeze,expand,repeat,矩阵转置,transpose维度交换,permute,Broadcasting

本文主要是介绍10,09_维度变换,view、reshape,unsqueeze,Squeeze,expand,repeat,矩阵转置,transpose维度交换,permute,Broadcasting，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1.9.Tensor维度变换
1.9.1.view、reshape
1.9.2.unsqueeze
1.9.3.Squeeze
1.9.4.expand
1.9.5.repeat
1.9.6.矩阵转置
1.9.7.transpose维度交换
1.9.8.permute
1.10.Broadcasting

1.9.Tensor维度变换

1.9.1.view、reshape

1.两者功能一样：将数据依次展开后，再变形
2.变形后的数据量与变形前数据量必须相等。即满足维度：ab…f = xy…z
3.reshape是pytorch根据numpy中的reshape来的。
4.-1表示，其他维度数据已给出情况下。

# -*- coding: UTF-8 -*-import torch
a = torch.rand(2,3,2,3)
print(a)
"""
输出：
tensor([[[[0.6265, 0.0326, 0.1273],[0.3120, 0.4449, 0.5718]],[[0.1046, 0.7776, 0.9645],[0.1902, 0.7404, 0.0302]],[[0.5433, 0.1578, 0.6770],[0.5591, 0.2102, 0.6344]]],[[[0.5778, 0.3997, 0.9127],[0.8123, 0.8689, 0.4470]],[[0.2341, 0.0349, 0.2872],[0.0609, 0.5397, 0.3100]],[[0.4623, 0.0076, 0.3278],[0.6248, 0.0155, 0.1211]]]])
"""# 将数据依次展开后，再变形为对应维度。所以，数据的顺序是一样的。且总的数据维度是不变的。
print(a.view(4, 9))
"""
输出结果：
tensor([[0.2667, 0.4700, 0.0454, 0.9939, 0.7008, 0.1362, 0.7544, 0.4472, 0.2111],[0.5638, 0.8971, 0.3139, 0.8841, 0.4913, 0.2058, 0.8583, 0.1505, 0.0892],[0.7533, 0.7021, 0.6080, 0.6848, 0.5243, 0.1918, 0.4089, 0.3315, 0.7276],[0.9459, 0.1081, 0.0461, 0.8141, 0.5869, 0.5843, 0.2659, 0.7687, 0.4242]])
"""# reshape和view的效果一样
print(a.reshape(4, 9))
"""
输出结果：
tensor([[0.7789, 0.1785, 0.6387, 0.7912, 0.1439, 0.2618, 0.6727, 0.4800, 0.0564],[0.3654, 0.0296, 0.6067, 0.3572, 0.0439, 0.6657, 0.4368, 0.2253, 0.2332],[0.3263, 0.7157, 0.4796, 0.1004, 0.6954, 0.6626, 0.0379, 0.4982, 0.9791],[0.5354, 0.4496, 0.7845, 0.4297, 0.7509, 0.0035, 0.1737, 0.8664, 0.2800]])
"""# -1表示，除了其他维度以外的最大维度数据量
# 此处为2*3*2*3=36, 36/4=9
print(a.reshape(4, -1))
"""
输出结果：
tensor([[0.1846, 0.5650, 0.4715, 0.1910, 0.5250, 0.6251, 0.4083, 0.3805, 0.9292],[0.7696, 0.2830, 0.0341, 0.3543, 0.8685, 0.4288, 0.2090, 0.5807, 0.1181],[0.0733, 0.9524, 0.8143, 0.4773, 0.3792, 0.8397, 0.0287, 0.6018, 0.6265],[0.6263, 0.1427, 0.5324, 0.7368, 0.7149, 0.6638, 0.5361, 0.0298, 0.4793]])
"""print("------------------------------------------")# 此处为2*3*2*3=36, 36/4=9
print(a.reshape(4, -1))
"""
输出结果：
tensor([[0.3042, 0.5191, 0.7625, 0.9274, 0.1921, 0.0750, 0.1138, 0.5479, 0.3058],[0.2298, 0.8897, 0.2379, 0.9171, 0.3238, 0.9612, 0.1647, 0.8832, 0.4885],[0.0331, 0.8462, 0.4061, 0.5430, 0.9528, 0.8883, 0.0474, 0.5019, 0.2368],[0.7151, 0.5584, 0.2686, 0.6878, 0.0322, 0.3292, 0.9116, 0.4619, 0.3833]])
"""print(">>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>")
# 36/(2 * 3) = 6
# 所以此时-1表示6
print(a.reshape(2, 3, -1))
"""
tensor([[[0.1343, 0.1076, 0.6838, 0.4183, 0.6465, 0.7390],[0.3154, 0.6980, 0.3021, 0.9203, 0.3105, 0.9567],[0.5732, 0.5508, 0.6185, 0.1907, 0.5157, 0.0187]],[[0.2193, 0.6670, 0.8597, 0.7905, 0.0997, 0.0762],[0.6765, 0.3075, 0.7198, 0.7030, 0.1858, 0.5082],[0.4665, 0.3556, 0.0429, 0.2645, 0.3454, 0.7767]]])
"""print("======================================")# 给定的-1以外的其他维度数据的乘积，必须能整除总的数据量
# 比如，此处的5不能整除36，所以会报错
# print(a.reshape(5, -1))
"""输出结果：
Traceback (most recent call last):File "D:\installed\Anaconda3\lib\site-packages\IPython\core\interactiveshell.py", line 3326, in run_codeexec(code_obj, self.user_global_ns, self.user_ns)File "<ipython-input-2-7ad3dc423fa5>", line 1, in <module>runfile('E:/workspace/pytorch-learn/09_维度变换/09_维度变换.py', wdir='E:/workspace/pytorch-learn/09_维度变换')File "C:\Program Files\JetBrains\PyCharm 2019.2.4\helpers\pydev\_pydev_bundle\pydev_umd.py", line 197, in runfilepydev_imports.execfile(filename, global_vars, local_vars)  # execute the scriptFile "C:\Program Files\JetBrains\PyCharm 2019.2.4\helpers\pydev\_pydev_imps\_pydev_execfile.py", line 18, in execfileexec(compile(contents+"\n", file, 'exec'), glob, loc)File "E:/workspace/pytorch-learn/09_维度变换/09_维度变换.py", line 82, in <module>print(a.reshape(5, -1))
RuntimeError: shape '[5, -1]' is invalid for input of size 36
"""print(a.view(4, 9).view(2, 3, 2, 3))
"""
tensor([[[[0.8306, 0.3289, 0.6837],[0.1553, 0.8128, 0.4839]],[[0.2005, 0.5720, 0.3754],[0.0711, 0.2138, 0.6295]],[[0.3155, 0.8848, 0.3345],[0.7782, 0.6487, 0.5341]]],[[[0.5153, 0.3421, 0.2283],[0.1855, 0.2059, 0.1031]],[[0.1763, 0.3316, 0.6055],[0.8860, 0.3544, 0.6888]],[[0.7657, 0.7608, 0.8756],[0.7559, 0.3434, 0.7446]]]])
"""

1.9.2.unsqueeze

1.功能：指定维度，为其增加（插入）1个维度
2.必须给定维度数据，不然会报错

# -*- coding: UTF-8 -*-import torcha = torch.randn(2, 3)
print(a)
"""
输出：
tensor([[ 0.3445,  1.0431,  0.0649],[ 2.0011, -1.9437,  1.3459]])
"""# 在0维处，增加1个维度
print(a.unsqueeze(0))
# 支持负数索引，等价于 a.unsqueeze(-3)
"""
输出：
tensor([[[ 0.1839, -0.2338, -0.7837],[ 0.5659,  0.1431,  0.6513]]])
"""print(a.unsqueeze(1))
# 等价于a.unsqueeze(-2)
"""
输出：
tensor([[[-0.9794,  1.5992,  1.6226]],[[-0.1168, -0.5305,  0.2656]]])
"""print(a.unsqueeze(2))
# 等价于a.unsqueeze(-1)
"""
输出：
tensor([[[-0.9512],[-0.0490],[ 0.3785]],[[-0.6573],[ 0.0302],[ 0.4737]]])
"""# 分别在0和最后维度上面都增加了一个维度，相比上面的数据，外层多了一对[]括号
a.unsqueeze(0).unsqueeze(-1)    
"""
tensor([[[-0.6981],[-0.8682],[-0.3138]],[[ 0.0167],[-0.1493],[ 0.1665]]])
"""

1.9.3.Squeeze

Squeeze删除为1的维度

1.默认将所有为1的维度。
2.传入指定维度，删除指定维度为1的维度。

# -*- coding: UTF-8 -*-import torcha = torch.rand(2, 1, 3, 1, 2, 1)
print(a)
"""
tensor([[[[[[0.7556],[0.6847]]],[[[0.3153],[0.5923]]],[[[0.5427],[0.5048]]]]],[[[[[0.3298],[0.9076]]],[[[0.3010],[0.2370]]],[[[0.7194],[0.4149]]]]]])
"""# 默认删除所有为1的维度，即(2, 1, 3, 1, 2, 1)删除后得到（2, 3, 2）
print(a.squeeze())
"""
输出：
tensor([[[0.7331, 0.1108],[0.8523, 0.4815],[0.7817, 0.9866]],[[0.2483, 0.1248],[0.3179, 0.2502],[0.2722, 0.9329]]])
"""print(a)
"""
tensor([[[[[[0.7331],[0.1108]]],[[[0.8523],[0.4815]]],[[[0.7817],[0.9866]]]]],[[[[[0.2483],[0.1248]]],[[[0.3179],[0.2502]]],[[[0.2722],[0.9329]]]]]])
"""# 通过指定维度删除1，与上面效果相同
print(a.squeeze(1).squeeze(2).squeeze(3))
"""
输出：
tensor([[[0.2862, 0.6455],[0.2383, 0.2630],[0.6638, 0.4293]],[[0.6390, 0.1212],[0.9523, 0.7255],[0.5178, 0.3208]]])
"""

1.9.4.expand

扩大张量：torch.Tensor.expand(*sizes) -->Tensor
返回 tensor 的一个新视图，单个维度扩大为更大的尺寸。 tensor 也可以扩大为更高维，新增加的维度将附在前面。扩大 tensor 不需要分配新内存，只是仅仅新建一个 tensor 的视图，其中通过将 stride 设为 0，一维将会扩展位更高维。任何一个一维的在不分配新内存情况下可扩展为任意的数值。

1.功能：扩展维度到指定维度。扩展的数据是复制当前维度的数据。
2.只有只有维度大小为1的维度可以扩展
3.-1表示保持原维度

# -*- coding: UTF-8 -*-import torcha = torch.rand(2,3,1)
print(a)
"""
输出结果：
tensor([[[0.9564],[0.0760],[0.2326]],[[0.9647],[0.8662],[0.7067]]])
"""# 扩展数据，只有维度为1的地方可以被扩展，(2, -1, 3)等价于(2, 3, 3)
print(a.expand(2, -1, 3))
"""
输出结果：
tensor([[[0.9564, 0.9564, 0.9564],[0.0760, 0.0760, 0.0760],[0.2326, 0.2326, 0.2326]],[[0.9647, 0.9647, 0.9647],[0.8662, 0.8662, 0.8662],[0.7067, 0.7067, 0.7067]]])
"""

1.9.5.repeat

torch.Tensor.repeat(*sizes)
沿着指定的维度重复tensor。不同于expand()，本函数复制的是tensor中的数据。

1.表示扩展数据到原维度的倍数。
2.1表保持原维度。
3.不建议使用此方法，因此复制数据会重新申请内存空间，比较占内存。

# -*- coding: UTF-8 -*-import torcha = torch.rand(2, 3, 1)print(a)
"""
tensor([[[0.8991],[0.5624],[0.0676]],[[0.9069],[0.2048],[0.0300]]])
"""print(a.repeat(1, 1, 3))
"""
tensor([[[0.8991, 0.8991, 0.8991],[0.5624, 0.5624, 0.5624],[0.0676, 0.0676, 0.0676]],[[0.9069, 0.9069, 0.9069],[0.2048, 0.2048, 0.2048],[0.0300, 0.0300, 0.0300]]])
"""

1.9.6.矩阵转置

1.行列互换
2…t()只支持2D的数据

a = torch.rand(5, 2)
print(a)
"""
tensor([[0.2898, 0.7774],[0.3639, 0.1799],[0.7717, 0.8179],[0.9935, 0.7679],[0.6835, 0.4301]])
"""print(a.t())
"""
tensor([[0.2898, 0.3639, 0.7717, 0.9935, 0.6835],[0.7774, 0.1799, 0.8179, 0.7679, 0.4301]])
"""

1.9.7.transpose维度交换

torch.transpose(input, dim0, dim1, out=None)–>Tensor
返回输入矩阵input的转置。交换维度dim0和dim1。输出张量与输入张量共享内存，所以改变其中一个会导致另外一个也被修改。

1.相当于被选择的两个维度数据进行转置，即：行列互换
2.也可以理解为，每一行数据顺时旋转90度为一列后，依次拼接在右边（最后面）

# -*- coding: UTF-8 -*-import torcha = torch.rand(2, 3, 4)
print(a)
"""
tensor([[[0.7630, 0.1244, 0.0539, 0.9472],[0.6098, 0.4826, 0.5270, 0.7383],[0.7582, 0.1667, 0.1692, 0.1481]],[[0.1000, 0.7165, 0.1339, 0.3319],[0.4485, 0.0099, 0.5476, 0.5260],[0.5430, 0.3896, 0.9594, 0.6139]]])
"""print(a.transpose(0, 2))
"""
tensor([[[0.7630, 0.1000],[0.6098, 0.4485],[0.7582, 0.5430]],[[0.1244, 0.7165],[0.4826, 0.0099],[0.1667, 0.3896]],[[0.0539, 0.1339],[0.5270, 0.5476],[0.1692, 0.9594]],[[0.9472, 0.3319],[0.7383, 0.5260],[0.1481, 0.6139]]])
"""print(a.transpose(0, 2).contiguous().view(4, 6))
"""
tensor([[0.7630, 0.1000, 0.6098, 0.4485, 0.7582, 0.5430],[0.1244, 0.7165, 0.4826, 0.0099, 0.1667, 0.3896],[0.0539, 0.1339, 0.5270, 0.5476, 0.1692, 0.9594],[0.9472, 0.3319, 0.7383, 0.5260, 0.1481, 0.6139]])
"""

1.9.8.permute

permute(dims)将tensor的维度换位。参数是一系列的整数，代表原来张量的维度。再比如图片img的size是（28,28,3）就可以利用img.permute(2,0,1)得到一个size为(3,28,28)的tensor.

与transpose不同的是：
1.transpose一次只能进行两个维度之间的交换
2.permute可以一次进行多个维度的交换。其实质就是实现多个transpose步骤。
3.给定维度索引。

# -*- coding: UTF-8 -*-import torcha = torch.rand(2, 3)
print(a)
# print(a.size(0))  # a.size(0) 结果为2。 a.size(1) 结果为3
"""
输出：
tensor([[0.5538, 0.7207, 0.9182],[0.7058, 0.9794, 0.2337]])
"""print(a.permute(1, 0))
"""
输出：
tensor([[0.5538, 0.7058],[0.7207, 0.9794],[0.9182, 0.2337]])
"""# 通过2次transpose可以实现permute的效果
print(a.transpose(0, 1))
"""
输出：
tensor([[0.5538, 0.7058],[0.7207, 0.9794],[0.9182, 0.2337]])
"""

1.10.Broadcasting

1.定义：两个维度不同的数据相加，会自动将维度小的数据扩张到与大维度相同的维度。
2.特点：自动扩展维度，并且不用复制数据，节省空间。
3.前提：小维度的数据，要么不给定维度，要么给定1维，要么与原数据维度大小相同的维度，否则会报错。
在这里插入图片描述

# -*- coding: UTF-8 -*-import torch
a = torch.rand(3, 4, 2)
print(a)# b的第一维度为1，a的为3
b = torch.rand(1, 4, 2)
print(b)# 相加和，b被自动广播为3，然后再与a相加，得到结果
print(a + b)

输出结果：

tensor([[[0.2051, 0.3002],[0.7875, 0.8702],[0.8102, 0.1946],[0.4178, 0.0421]],[[0.5986, 0.1744],[0.9141, 0.6217],[0.3636, 0.6171],[0.5568, 0.9626]],[[0.8271, 0.1875],[0.8445, 0.5693],[0.2277, 0.1845],[0.4858, 0.4569]]])
tensor([[[0.5436, 0.3877],[0.8810, 0.7022],[0.9177, 0.0713],[0.8664, 0.9766]]])
tensor([[[0.7487, 0.6879],[1.6685, 1.5723],[1.7280, 0.2660],[1.2842, 1.0187]],[[1.1422, 0.5621],[1.7951, 1.3239],[1.2814, 0.6885],[1.4232, 1.9393]],[[1.3707, 0.5752],[1.7255, 1.2715],[1.1454, 0.2558],[1.3523, 1.4336]]])