图片在线设计网站,提供网站建设教学视频,成都设计公司提成,国外免费建购物网站view()打平函数
需要注意的是打平之后的tensor是需要有物理意义的#xff0c;根据需要进行打平#xff0c;并且打平后总体的大小是不发生改变的。
并且一定要谨记打平会导致维度的丢失#xff0c;造成数据污染#xff0c;如果想要恢复到原来的数据形式#xff0c;是需要…view()打平函数
需要注意的是打平之后的tensor是需要有物理意义的根据需要进行打平并且打平后总体的大小是不发生改变的。
并且一定要谨记打平会导致维度的丢失造成数据污染如果想要恢复到原来的数据形式是需要靠人为记忆的。
现在给出一个tensor——a.shapetorch.Size([4, 1, 28, 28])打平a.view(4,1*28*28)此时a.view(4,1*28*28).shapetorch.Size([4, 784])。
当然也可以向高维度b.shapetorch.Size([4, 784])打平b.view(4,28,28,1)此时b.view(4,28,28,1).shapetorch.Size([4, 28, 28, 1])
unsqueeze()维度增加
当使用unsqueeze()方法时此时概念会发生改变会为数据增加一个组别这个组别的含义由自己定义。
语法unsqueeze(index) 如果index为正则在索引之前加入如果index为负则在索引之后加入
代码演示
# a.shape : torch.Size([4, 1, 28, 28])# index 为正
print(a.unsqueeze(0).shape)
# torch.Size([1, 4, 1, 28, 28])
print(a.unsqueeze(3).shape)
# torch.Size([4, 1, 28, 1, 28])# index 为负
print(a.unsqueeze(-1).shape)
# torch.Size([4, 1, 28, 28, 1])
print(a.unsqueeze(-2).shape)
# torch.Size([4, 1, 28, 1, 28])# 注意不要超出索引范围否则会报错
# 增加组别具体在数据上的表现
b torch.tensor([1.2,2.3]) # 此时是一个dim为1size为2的tensor
print(b.unsqueeze(-1)) # 是在最里层添加了一个维度
# tensor([[1.2000],
# [2.3000]])
print(b.unsqueeze(0)) # 是在最外层添加了一个维度
# tensor([[1.2000, 2.3000]])
来个小例子
# for example
# bias相当于给每个channel上的像素增加了一个偏置
b torch.rand(32)
f torch.rand(4,32,14,14)
# 现在我们要实现bf由于二者维度不同不能操作每个维度对应的size也要相同
b b.unsqueeze(1) # torch.Size([32, 1])
print(b.shape)
b b.unsqueeze(2) # torch.Size([32, 1, 1])
print(b.shape)
b b.unsqueeze(0) # torch.Size([1, 32, 1, 1])
print(b.shape)
squeeze()维度减少
语法squeeze(index) 如果index不填写就是将所有size都为1的都去除index就是去除对应的维度但是只有size1的才能被去除。
代码演示
# b.shape torch.Size([1, 32, 1, 1])
print(b.squeeze().shape) # torch.Size([32]) 如果不添加任何参数就是将所有size1的都去除
print(b.squeeze(0).shape) # torch.Size([32, 1, 1])
print(b.squeeze(1).shape) # torch.Size([1, 32, 1, 1]) 只有size1的才能被去除
expand()
条件维度一致并且只有size1的才能扩张。 使用蓝色线画的数据必须保持一致如果参数为-1则意味着size保持不变。
repeat()
repeat()复制内存数据括号内参数是copy次数。
代码演示
print(b.repeat(4,32,1,1).shape) # torch.Size([4, 1024, 1, 1])
转置
1、.t 矩阵转置只适用于矩阵
2、transpose(dim1,dim2)转置
语法交换dim1,dim2两个维度。注意transpose()方法会将数据变得不连续所以通常需要借助于
contiguous()方法用于将数据变得连续。 数据维度顺序必须和存储顺序一致。说实话这一句我不太懂然后我就去问了一下chatgpt答案 数据维度顺序必须和存储顺序一致是指在使用PyTorch进行数据处理和存储时数据的维度顺序必须与存储的顺序一致。如果数据的维度顺序与存储的顺序不一致可能会导致数据处理错误或结果不准确。 例如如果使用PyTorch创建一个张量tensor并在存储时按默认的规则进行存储即按行优先顺序存储那么在对该张量进行操作时需要按照相同的维度顺序进行操作否则可能会导致错误。 总之这句话的意思是在PyTorch中需要保证数据的维度顺序和存储顺序一致以确保数据处理和存储的正确性。 代码演示
# a.shapetorch.Size([2, 3, 5, 5])
a1 a.transpose(1,3).contiguous().view(2,3*5*5).view(2,3,5,5)
a2 a.transpose(1,3).contiguous().view(2,3*5*5).view(2,5,5,3).transpose(1,3)
print(a1.shape,a2.shape) # torch.Size([2, 3, 5, 5]) torch.Size([2, 3, 5, 5])
print(torch.all(torch.eq(a,a1))) # tensor(False)
print(torch.all(torch.eq(a,a2))) # tensor(True)
补充其中all()方法是用来确定所有内容一致eq()方法是用来比较数据一致。
说实话这个我也不是很懂但是我去做了一下实验将torch.eq(a,a2)和torch.eq(a,a1)都打印了出来发现这是一个shape为torch.Size([2, 3, 5, 5])的张量并且里面的数据都是ture或者false然后我就明白了原来eq()是用来比较对应的每个数据是否相同all()是用来比较一个张量里面的所有值是否在相同。
permute()
个人认为这个方法非常强大可以完成任意维度的交换。我们先来看一个使用transpose()方法进行维度交换
# b.shapetorch.Size([4, 3, 28, 32])
print(b.transpose(1,3).shape) # torch.Size([4, 32, 28, 3])
print(b.transpose(1,3).transpose(1,2).shape) # torch.Size([4, 28, 32, 3])
再来看一下permute()方法
# b.shapetorch.Size([4, 3, 28, 32])
print(b.permute(0,2,3,1).shape) # torch.Size([4, 28, 32, 3])
有没有感觉很强大。
