Pytorch之permute函數

一、主要做用：變換tensor維度

example：

import torch
x = torch.randn(2, 3, 5)
print(x.size())
print(x.permute(2, 0, 1).size())

>>>torch.Size([2, 3, 5])
>>>torch.Size([5, 2, 3])

二、介紹一下transpose與permute的異同：

同：都是對tensor維度進行轉置；

異：permute函數能夠對任意高維矩陣進行轉置，但沒有torch.permute()這個調用方式

torch.randn(2,3,4,5).permute(3,2,0,1).shape

>>>torch.Size([5, 4, 2, 3])

transpose只能操做2D矩陣的轉置，沒法操做超過2個維度，因此要想實現多個維度的轉置，既能夠用一次性的

permute，也能夠屢次使用transpose；

torch.randn(2,3,4,5).transpose(3,0).transpose(2,1).transpose(3,2).shape 
>>>torch.Size([5, 4, 2, 3])

三、permute函數與contiguous、view函數的關聯

contiguous: view只能做用在contiguous的variable上，若是在view以前調用了transpose、permute等，就須要調用

contiguous()來返回一個contiguous的copy；

也就是說transpose、permute等操做會讓tensor變得在內存上不連續，所以要想view，就得讓tensor先連續；

解釋以下：有些tensor並非佔用一整塊內存，而是由不一樣的數據塊組成，而tensor的view()操做依賴於內存是整塊的，這時只須要執行contiguous()這個函數，把tensor變成在內存中連續分佈的形式；

判斷ternsor是否爲contiguous，能夠調用torch.Tensor.is_contiguous()函數:

import torch 
x = torch.ones(10, 10) 
x.is_contiguous()                                 # True 
x.transpose(0, 1).is_contiguous()                 # False
x.transpose(0, 1).contiguous().is_contiguous()    # True

另：在pytorch的最新版本0.4版本中，增長了torch.reshape()，與 numpy.reshape() 的功能相似，大體至關於 tensor.contiguous().view()，這樣就省去了對tensor作view()變換前，調用contiguous()的麻煩；

三、permute與view函數功能

import torch
import numpy as np

a=np.array([[[1,2,3],[4,5,6]]])
unpermuted=torch.tensor(a)
print(unpermuted.size())              #  ——>  torch.Size([1, 2, 3])

permuted=unpermuted.permute(2,0,1)
print(permuted.size())                #  ——>  torch.Size([3, 1, 2])

view_test = unpermuted.view(1,3,2)
print(view_test.size())   

>>>torch.Size([1, 2, 3])
torch.Size([3, 1, 2])
torch.Size([1, 3, 2])

 

承接Matlab、Python和C++的編程，機器學習、計算機視覺的理論實現及輔導，本科和碩士的都可，鹹魚交易，專業回答請走知乎，詳談請聯繫QQ號757160542，非誠勿擾。

 

本文同步分享在 博客「於小勇」（CSDN）。
若有侵權，請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」，歡迎正在閱讀的你也加入，一塊兒分享。