怎么创造网站,百度问答怎么赚钱,济宁专业做网站,中国建盏形象设计大赛获奖名单教学#xff08;1#xff09;#xff1a;链接
1.1 预备知识
问题#xff1a;假如说我们使用的模型张量是三维的#xff0c;但是我们要缝合的模块是四维的#xff0c;应该怎么办#xff1f;
方法#xff1a;pytorch中常用的函数#xff1a;(1)view函数#xff08;2…教学1链接
1.1 预备知识
问题假如说我们使用的模型张量是三维的但是我们要缝合的模块是四维的应该怎么办
方法pytorch中常用的函数(1)view函数2reshape函数3permute函数4flatten函数
使用view函数
import torch
import torch.nn as nnx torch.randn(10,3,32,32) #记为b,c,h,w
b,c,h,w x.shape #访问x的shape属性
b,c,h,w x.size() #size()用于提取x的维度
print(b,c,h,w)#转换成三维b,n,cy x.view(b,h*w,c) #view()用于变换张量的形状
print(y.shape)
使用permute和flatten函数
import torch
import torch.nn as nnx torch.randn(10,3,32,32) #记为b,c,h,w
b,c,h,w x.shape #访问x的shape属性
b,c,h,w x.size() #size()用于提取x的维度
print(b,c,h,w)#使用permute和flatten函数转换成三维b,n,c
a x.permute(0,2,3,1) #1维在1维原来的2维在现在的4维原来的3维在2维原来的4维在3维
a a.flatten(start_dim1,end_dim2) # ctrlp查看参数信息.在下标为1的维度(其实就是第二维)开始在下标为2的维度结束这之间展平
print(a.shape)
结果均为 1.2 模块和模块之间的维度转换
高维缝合低维
以CoordAtt和AFT为例前者为4维后者为3维。我们假如说想在CoordAtt这个四维模块中缝进三维的模块AFT。
缝还是两个主要位置类初始化__init__和前向传播forward。
1首先我们找到四维模块的前向传播将用x.size()将四个维度都提取出来。
n, c, h, w x.size() # 获取输入的尺寸 2用view将x的维度调整成3维,用另一个变量保存起来。
x_01 x.view(n,h*w,c) #调整为3维张量 3在__init__中将三维模块加进来
注意通道数保持一致以及那个h*w对应在三维模块上的那个变量大小保持一致 4 在forward中添加进三维模块
添加进之后不要忘了三维模块输出还是三维需要再次转换为4维。 打个断点看一下张量形状 可以看到又恢复成了四维。
低维缝合高维
以CoordAtt和AFT为例前者为4维后者为3维。我们假如说想在AFT这个三维模块中缝进四维的模块CoordAtt。
原理大同小异需要注意的就是在升维的时候要保持总数据量不变各个维度的大小相乘。
一开始的input的形状 经过维度转换后input的形状 缝合模块后input的形状 再次经过维度转换后input的形状 1.3 模型和模块之间的维度转换
举个例子模型选择VIT四维要缝的模块还是AFT三维
1首先我们在模型前向传播最开始写入“print(x.shape)”然后运行训练文件看一下模型的输入张量 2用x.size()将四个维度都提取出来。
b,c,h,w x.size()
3用view将x的维度调整成3维,用另一个变量保存起来。
x_01 x.view(b,h*w,c)
x_01的形状为[64,50176,3] (50176很大会报显存错误道理理解即可)
4在__init__中将三维模块加进来
注意通道数保持一致以及那个h*w对应在三维模块上的那个变量大小保持一致 5 在forward中添加进三维模块 附录
view和reshape函数的区别 连续性要求: view() 函数要求张量是连续存储的。如果张量不是连续存储的比如经过转置、切片等操作后直接使用 view() 会抛出错误。在这种情况下你需要先调用 contiguous() 方法使张量连续然后再使用 view()。reshape() 函数则更为灵活无论张量是否连续它都能工作。如果新的形状与原形状不兼容于视图变换即不满足连续性条件reshape() 会创建一个新的、形状改变的张量副本这会占用额外的内存。 内存共享: 当满足条件时view() 返回的张量与原张量共享相同的内存也就是说它们是原张量的视图。修改其中一个会影响另一个。reshape() 可能会返回一个与原张量共享内存的视图如果满足连续性条件或者如果必须复制数据以满足新的形状则返回一个副本。这意味着修改重塑后的张量可能不会影响原张量具体取决于操作是否导致了数据的复制。 适用范围: view() 仅限于 PyTorch 的张量对象。reshape() 在PyTorch中既适用于张量也适用于NumPy数组因此在需要跨库操作时提供了更多灵活性。
如果你确定张量满足连续性条件并且希望避免不必要的内存复制view() 是一个高效的选择。但如果你不关心或不确定这些条件或者需要保证操作总是安全的即使是以牺牲一些性能为代价则应使用 reshape()。在实际应用中如果不确定是否可以直接使用 view()使用 reshape() 是一个更保险的做法因为它能自动处理所有情况。
