[人工智能]pytorch中tensor维度转换view()和permute()

学习代码的第一个拦路虎，在pytorch中非常常用的维度转换。

首先了解一下tensor的size是怎么来的，几个中括号就说明有几个维度，然后看第一个中括号里用逗号分隔开了几个元素，就是第一个维度的值，其他依次类推。例如Tensor([[[1,2,3],[4,5,6]]])中第一个中括号里为[[1,2,3],[4,5,6]]，只有一个元素，第二个中括号内为[1,2,3],[4,5,6]，有两个元素，第三个为[1,2,3]，有三个元素。

view()

view变换维度，把原先tensor中的数据按行优先的顺序排成一个一维数据（这里应该是因为要求地址是连续存储的），然后按照输入参数要求，组合成其他维度的tensor。例如：

a=torch.Tensor([[[1,2,3],[4,5,6]]])#  ——>  torch.Size([1, 2, 3])
print(a.view(3,2))#  ——>  torch.Size([3, 2])

#输出为：
tensor([[1., 2.],
        [3., 4.],
        [5., 6.]])

permute()

permute将tensor中任意维度调换。permute里的参数对应的是张量a的维度索引，permute的输入参数的维度必须与a一致，并且只能是0,1,2…,dim，能够一一对应地索引到a里面的维度。这个比view()稍微难理解一点，但只要明白每个数值对应维度的索引值，改变索引值最终改变输出值。a.permute(2,0,1)的意思是，把a的最后一个维度放到最前面。详细理解图见下：

b=torch.Tensor([[[1,2,3],[4,5,6]]])
print(b.size())  #  ——>  torch.Size([1, 2, 3])
permuted=b.permute(2,0,1)
print(permuted.size())     #  ——>  torch.Size([3, 1, 2])
print(permuted)
#输出为：
torch.Size([1, 2, 3])
torch.Size([3, 1, 2])
tensor([[[1, 4]],
        [[2, 5]],
        [[3, 6]]], dtype=torch.int32)

transpose()

对于二维tensor，permute(1,0)做的就是转置，等价于transpose()。

transpose()选择tensor中两个维度进行转置。代码中transpose(1,2)表示将三维张量中的后两维转置。

c=torch.Tensor([[[1,2,3],[4,5,6]]])
print(c.transpose(1,2))
#输出为：
tensor([[[1., 4.],
         [2., 5.],
         [3., 6.]]])