Pytorch view() permute() contiguous() transpose()

原始tensor

import torch

a = torch.Tensor([[[1,2,3],[4,5,6],[7,8,9]]])
print(a)
print(a.size())

输出：

tensor([[[1., 2., 3.],

[4., 5., 6.],

[7., 8., 9.]]])

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

 

1.view()

改变tensor的形状

view() 的具体理解请见文章：pytorch中x = x.view(x.size(0), -1) 的理解

b = a.view(3,-1)
print(b)
print(b.size())

输出

tensor([[1., 2., 3.],

[4., 5., 6.],

[7., 8., 9.]])

 

torch.Size([3, 3])

或者使用view把a变换为和permute() 一样的形状，请注意tensor的内容是不一样的

d = a.view(3,1,3)
print(d)
print(d.size())

 输出：

tensor([[[1., 2., 3.]],

[[4., 5., 6.]],

[[7., 8., 9.]]])

 

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

2.permute() 

用于维度换位

c= a.permute(2,0,1)
print(c)
print(c.size())

输出：

tensor([[[1., 4., 7.]],

[[2., 5., 8.]],

[[3., 6., 9.]]])

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

3.contiguous()

有些tensor并不是占用一整块内存，而是由不同的数据块组成

contiguous()函数的作用：把tensor变成在内存中连续分布的形式

参考：https://blog.csdn.net/u014221266/article/details/80143212

 

4.transpose()

• pytorch中 permute()可以对高维矩阵进行变换
• pytorch 中 transpose()只能操作2D矩阵的变换

e = a.transpose(2,0,1)
print(e)
print(e.size())

TypeError: transpose() takes 2 positional arguments but 3 were given

 

e = a.transpose(1,0)
print(e)
print(e.size())

tensor([[[1., 2., 3.]],

[[4., 5., 6.]],

[[7., 8., 9.]]])

 

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

 

另外：

numpy中的transpose() 函数是可以改变高维数组的形状

 img_ =  img[:,:,::-1].transpose((2,0,1))