8,PyTorch 张量的形状变换-CSDN博客

在这里插入图片描述

8. PyTorch 张量的形状变换

在深度学习中，张量的形状变换是处理数据时不可或缺的一部分。无论是调整输入数据的格式以适应模型，还是在模型内部对特征进行重塑，PyTorch 提供了一系列强大的工具来实现这些操作。本节将详细介绍 PyTorch 中张量形状变换的常用方法。

8.1 基本形状变换

8.1.1 改变形状（`reshape` 和 `view`）

reshape 和 view 是 PyTorch 中用于改变张量形状的两个重要方法。它们的主要区别在于 view 要求原始张量和目标形状的元素总数相同，且原始张量必须是连续的，而 reshape 则更加灵活，可以在某些情况下自动处理张量的连续性问题。

import torch

# 创建一个一维张量
tensor = torch.tensor([1 ,2, 3, 4, 5, 6])

# 使用 view 改变形状
tensor_view = tensor.view(2, 3)
print("使用 view 改变形状的结果：\n", tensor_view)

# 使用 reshape 改变形状
tensor_reshape = tensor.reshape(3, 2)
print("使用 reshape 改变形状的结果：\n", tensor_reshape)

输出结果为：

使用 view 改变形状的结果：
 tensor([[1, 2, 3],
         [4, 5, 6]])
使用 reshape 改变形状的结果：
 tensor([[1, 2],
         [3, 4],
         [5, 6]])

8.1.2 展平（`flatten`）

将多维张量展平为一维张量是常见的操作，特别是在将特征输入到全连接层之前。PyTorch 提供了 flatten 方法来实现这一功能。

# 创建一个二维张量
tensor = torch.tensor([[1, 2, 3], [4, 5, 6]])

# 展平张量
tensor_flatten = tensor.flatten()
print("展平后的张量：", tensor_flatten)

输出结果为：

展平后的张量： tensor([1, 2, 3, 4, 5, 6])

8.2 高级形状变换

8.2.1 添加维度（`unsqueeze`）

在某些情况下，我们需要为张量添加一个维度，例如将一维张量转换为二维张量。unsqueeze 方法可以在指定位置添加一个大小为 1 的维度。

# 创建一个一维张量
tensor = torch.tensor([1, 2, 3])

# 在第 0 维添加一个维度
tensor_unsqueeze = tensor.unsqueeze(0)
print("添加维度后的张量：\n", tensor_unsqueeze)

# 在第 1 维添加一个维度
tensor_unsqueeze = tensor.unsqueeze(1)
print("添加维度后的张量：\n", tensor_unsqueeze)

输出结果为：

添加维度后的张量：
 tensor([[1, 2, 3]])
添加维度后的张量：
 tensor([[1],
         [2],
         [3]])

8.2.2 删除维度（`squeeze`）

与 unsqueeze 相对，squeeze 方法可以删除张量中大小为 1 的维度。如果指定维度的大小不为 1，则不会删除该维度。

python```

创建一个二维张量

tensor = torch.tensor([[1], [2], [3]])

删除大小为 1 的维度

tensor_squeeze = tensor.squeeze()
print(“删除维度后的张量：”, tensor_squeeze)

指定删除第 1 维

tensor_squeeze = tensor.squeeze(1)
print(“删除指定维度后的张量：”, tensor_squeeze)


输出结果为：

删除维度后的张量： tensor([1, 2, 3])
删除指定维度后的张量： tensor([1, 2, 3])


### 8.2.3 转置（`transpose` 和 `permute`）

转置操作可以交换张量的维度。对于二维张量，`transpose` 方法可以交换两个维度；对于多维张量，`permute` 方法可以重新排列多个维度。

```python
# 创建一个二维张量
tensor = torch.tensor([[1, 2], [3, 4]])

# 转置二维张量
tensor_transpose = tensor.transpose(0, 1)
print("转置后的二维张量：\n", tensor_transpose)

# 创建一个三维张量
tensor_3d = torch.tensor([[[1, 2], [3, 4]], [[5, 6], [7, 8])

]]# 调整三维张量的维度顺序
tensor_permute = tensor_3d.permute(1, 0, 2)
print("调整维度顺序后的三维张量：\n", tensor_permute)

输出结果为：

转置后的二维张量：
 tensor([[1, 3],
         [2, 4]])
调整维度顺序后的三维张量：
 tensor([[[1, 2],
          [5, 6]],

         [[3, 4],
          [7, 8]]])

8.3 形状变换的注意事项

连续性问题：view 方法要求张量是连续的，而 reshape 方法可以处理非连续张量。如果不确定张量是否连续，可以使用 tensor.contiguous() 方法将其变为连续的。
维度索引：在使用 unsqueeze、squeeze 和 permute 等方法时，需要注意维度索引是从 0 开始的。
元素总数：在使用 reshape 和 view 时，目标形状的元素总数必须与原始张量的元素总数相同。