当前位置：首页 > news >正文

Day25_【深度学习（3）—PyTorch使用（5）—张量形状操作】

news 2025/9/17 8:14:22

reshape()
squeeze()
unsqueeze()
transpose()
permute()
view() == reshape()
contiguous() == reshape()

一、reshape() 函数

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。

def reshape_tensor():data = torch.tensor([[1, 2, 3], [4, 5, 6]])print(data, data.shape)  # pytorch中shape=size()  都可以获得张量的形状data1=data.reshape(1, 6) #reshape行列相乘要等于数据data的总个数# data1=data.reshape(6) # 等于上一行print(data1, data1.shape)data2=data.reshape(3,-1) #-1 自动推断,已知三行自动推断列数# data2=data.reshape(-1) #-1 自动推断print(data2, data2.shape)if __name__ == '__main__':reshape_tensor()

扩展

pytorch中 shape=size() 都可以获得张量的形状

# 扩展：size，和shape是等价的，都是看数据的维度
# print("data1-->", data1.shape, data1.size())
# shape[0] <=> size()[0] <=> size(0)
# shape[1] <=> size()[1] <=> size(1)print("data1-->", data, data.shape[0], data.size(1))

二、squeeze() 和 unsqueeze()

squeeze 函数删除形状为 1 的维度（升维），unsqueeze 函数添加形状为1的维度（降维）。

# 生维与降维
def unsqueeze_squeeze_tensor():# 准备数据data = torch.tensor([1, 2, 3, 4, 5])print('data-->', data, data.shape)# 升维: unsqueeze(), 增加一个维度，这个维度的长度为1# data1 = data.unsqueeze(dim=0) # [1, 5]# data1 = data.unsqueeze(dim=1) # [5, 1]data1 = data.unsqueeze(dim=-1).unsqueeze(dim=0)  # [1, 5, 1]# data1 = data.unsqueeze(dim=2)  # [5, 1] 会报错，越界print("data1-->", data1, data1.shape)# 降维: squeeze(), 能够减少维度为1的维度# 所有长度为1的维度都会降低。data2 = data1.squeeze()# print("data2-->", data2, data2.shape)
if __name__ == '__main__':unsqueeze_squeeze_tensor()

三、transpose() 和 permute()

transpose 函数可以实现交换张量形状的指定维度, 例如: 一个张量的形状为 (2, 3, 4) 可以通过 transpose 函数把 3 和 4 进行交换, 将张量的形状变为 (2, 4, 3)

permute 函数可以一次交换更多的维度。

def transpose_permute_tensor():# 生成随机张量，并设置随机种子，保持随机张量是固定值torch.manual_seed(0)data = torch.randint(0, 10, (3, 4, 5))print(data, data.shape)# .transpose指定交换的两个维度data1=data.transpose(1, 2) # torch.Size([3, 5, 4])# data1=data.transpose(0, 2)print(data1, data1.shape) # torch.Size([5, 4, 3])# .permute指定交换的多个维度data2 = data.permute(2,0,1)print(data2, data2.shape) # torch.Size([5, 3, 4])
if __name__ == '__main__':transpose_permute_tensor()

五、view() 和 contiguous()

view 函数也可以用于修改张量的形状，但是其用法比较局限，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，例如: 一个张量经过了 transpose 函数的处理之后，就无法使用 view 函数进行形状操作。

view 函数也可以用于修改张量的形状, 但是它要求被转换的张量内存必须连续，所以一般配合 contiguous 函数使用。

def view_contiguous_tensor():torch.manual_seed(0)data = torch.randint(0, 10, (3, 4, 5))print(data, data.shape)data = data.transpose(1, 2)  # 不连续 torch.Size([3, 5, 4])# data = data.permute(1, 2, 0)# data = data.view(1, 2, -1) # data不连续后，调用view函数会报错print(data, data.shape)print(data.is_contiguous())  # 判断是否连续# print(data.contiguous().is_contiguous())  # 通过contiguous把不连续的内存空间变成连续print(data.contiguous().view(3,4,5))  # 再view()
if __name__ == '__main__':view_contiguous_tensor()