用户体验较好的网站,移动互联网开发课程设计选题,app推广,西丽网站建设设计#x1f606;#x1f606;#x1f606;感谢大家的观看#x1f606;#x1f606; #x1f339; reshape 函数 transpose 和 permute 函数 view 和 contigous 函数 squeeze 和 unsqueeze 函数 在搭建网络模型时#xff0c;掌握对张量形状的操作是非常重要的#xff… 感谢大家的观看 reshape 函数 transpose 和 permute 函数 view 和 contigous 函数 squeeze 和 unsqueeze 函数 在搭建网络模型时掌握对张量形状的操作是非常重要的因为这直接影响到数据如何在网络各层之间传递和处理。网络层与层之间很多都是以不同的 shape 的方式进行表现和运算我们需要掌握对张量形状的操作以便能够更好处理网络各层之间的数据连接确保数据能够顺利地在网络中流动接下来我们看看几个常用的函数方法 reshape 函数 reshape 函数可以在保证张量数据不变的前提下改变数据的维度将其转换成指定的形状在后面的神经网络学习时会经常使用该函数来调节数据的形状以适配不同网络层之间的数据传递。 import torch# 创建一个张量 tensor torch.tensor([[1, 2], [3, 4]]) print(原始张量) print(tensor) # (2,2)# 使用reshape函数修改张量形状 reshaped_tensor tensor.reshape(1, 4) print(修改后的张量) print(reshaped_tensor) # (1,4)当第二个参数为-1时表示自动计算该维度的大小以使得张量的元素总数不变这样我们可以免去思考的时间。 import torch# 创建一个张量 tensor torch.tensor([[1, 2], [3, 4]]) print(原始张量) print(tensor)# 使用reshape函数修改张量形状第二个参数为-1 reshaped_tensor tensor.reshape(1, -1) print(修改后的张量) print(reshaped_tensor)原始张量 tensor([[1, 2],[3, 4]]) 修改后的张量 tensor([[1, 2, 3, 4]])transpose 和 permute 函数 transpose 函数可以实现交换张量形状的指定维度permute 函数可以一次交换更多的维度。 transposetranspose用于交换张量的两个维度。它并不改变张量中元素的数量也不改变每个元素的值只是改变了元素在张量中的排列顺序。在二维情况下transpose相当于矩阵的转置将行变为列列变为行。在多维情况下它会按照提供的轴(dimension)参数来重新排列维度。reshapereshape则是改变张量的形状而不改变任何特定的维度位置。你可以使用reshape将张量从一种形状变换到另一种形状只要两个形状的元素总数相同。这个过程不涉及元素之间的交换只是调整了元素在内存中的分布以适应新的形状。在内部实现上reshape通常通过修改张量的元数据如shape和strides属性来实现而不需要重新排列数据本身。 如果你需要保持张量中元素的相对位置不变仅调整张量的维度顺序那么应该使用transpose如果你需要改变张量的整体形状而不关心维度的顺序reshape会是正确的选择。    data torch.tensor(np.random.randint(0, 10, [3, 4, 5])) print(data shape:, data.size())交换1和2维度 new_data torch.transpose(data, 1, 2) print(data shape:, new_data.size())#将 data 的形状修改为 (4, 5, 3) new_data torch.transpose(data, 0, 1) new_data torch.transpose(new_data, 1, 2) print(new_data shape:, new_data.size())# 使用 permute 函数将形状修改为 (4, 5, 3) new_data torch.permute(data, [1, 2, 0]) print(new_data shape:, new_data.size())# 结果 data shape: torch.Size([3, 4, 5]) data shape: torch.Size([3, 5, 4]) new_data shape: torch.Size([4, 5, 3]) new_data shape: torch.Size([4, 5, 3]) view 和 contigous 函数 view 函数也可以用于修改张量的形状只能用于存储在整块内存中的张量。在 PyTorch 中有些张量是由不同的数据块组成的它们并没有存储在整块的内存中view 函数无法对这样的张量进行变形处理如果张量存储在不连续的内存中使用view函数会导致错误。在这种情况下可以使用contiguous函数将张量复制到连续的内存中然后再使用view函数进行形状修改。 import torch# 创建一个张量 tensor torch.randn(2, 3, 4)# 使用view函数改变张量的形状 reshaped_tensor tensor.view(6, 4)# 使用contiguous函数使张量在内存中连续存储 contiguous_tensor tensor.contiguous() 使用 transpose 函数修改形状或者 permute 函数的处理之后就无法使用 view 函数进行形状操作这时data.contiguous().view(2, 3)即可。 squeeze 和 unsqueeze 函数 squeeze函数用于移除张量中维度为1的轴而unsqueeze函数则用于在指定位置插入一个新的维度。 torch.squeeze(input, dimNone) input: 输入张量。dim: 可选参数指定要移除的维度。如果不指定则移除所有大小为1的维度。 import torchA torch.tensor([[[1, 2, 3], [4, 5, 6]]]) print(A.shape) # 输出torch.Size([1, 2, 3]) B torch.squeeze(A) print(B.shape) # 输出torch.Size([2, 3]) C torch.squeeze(A, 0) print(C.shape) # 输出torch.Size([2, 3]) D torch.squeeze(A, 1) print(D.shape) # 输出torch.Size([1, 3]) torch.unsqueeze(input, dim) input: 输入张量。dim: 指定要插入新维度的位置。 import torchA torch.tensor([1, 2, 3]) print(A.shape) # 输出torch.Size([3]) B torch.unsqueeze(A, 0) print(B.shape) # 输出torch.Size([1, 3]) C torch.unsqueeze(A, 1) print(C.shape) # 输出torch.Size([3, 1])小结 reshape函数可以在保证张量不变的前提下改变数据维度。transpose转置函数可以实现交换张量形状的指定维度permute可以一次交换更多维度。view函数也可以用于修改张量的形状但是他要求被转换的张量内存必须连续所以一般配合contiguous(连续的)函数使用。squeeze(挤压)函数和unsqueeze函数可以用来增加或者减少维度。