基于PyTorch的permute和reshape/view的区别介绍
二维的情况
先用二维tensor作为例子，方便理解。
permute作用为调换Tensor的维度，参数为调换的维度。例如对于一个二维Tensor来说，调用tensor.permute(1,0)意为将1轴（列轴）与0轴（行轴）调换，相当于进行转置。
In[20]:a Out[20]: tensor([[0,1,2], [3,4,5]]) In[21]:a.permute(1,0) Out[21]: tensor([[0,3], [1,4], [2,5]])
如果使用view(3,2)或reshape(3,2)，得到的tensor并不是转置的效果，而是相当于将原tensor的元素按行取出，然后按行放入到新形状的tensor中。
In[22]:a.reshape(3,2) Out[22]: tensor([[0,1], [2,3], [4,5]]) In[23]:a.view(3,2) Out[23]: tensor([[0,1], [2,3], [4,5]])
高维的情况
一般使用permute的情况都是在更高维的情况下使用，例如对于一个图像batch，其形状为[batch,channel,height,width]，我们可以使用tensor.permute(0,3,2,1)得到形状为[batch,width,height,channel]的tensor.
我们构造一个模拟的batch用于演示。
In[25]:a=torch.arange(2*3*2*1).reshape(2,3,2,1) In[26]:a Out[26]: tensor([[[[0],#这是第0张“图片”的第0号通道的2个元素 [1]], [[2],#这是第0张“图片”的第1号通道的2个元素 [3]], [[4],#这是第0张“图片”的第2号通道的2个元素 [5]]], [[[6], [7]], [[8], [9]], [[10], [11]]]])
a的形状为[2,3,2,1]，这个batch有2张“图片”，每张图片有3个通道，每个通道为2x1，例如第0张图片的第0号通道为[[0],[1]].
In[27]:a.permute(0,3,2,1) Out[27]: tensor([[[[0,2,4], [1,3,5]]], [[[6,8,10], [7,9,11]]]]) In[28]:a.permute(0,3,2,1).shape Out[28]:torch.Size([2,1,2,3])
形状为[2,3,2,1]的batch执行permute(0,3,2,1)交换维度之后，得到的是[2,1,2,3]，即[batch,width,height,channel]
可以理解为，对于一个高维的Tensor执行permute，我们没有改变数据的相对位置，而只是旋转了一下这个(超)立方体。或者也可以说，改变了我们对这个(超)立方体的“观察角度”而已。
补充知识：pytorch:torch.Tensor.view------reshape
如下所示：
torch.Tensoe.view(pythonmethod,intorch.Tensor)
作用:将输入的torch.Tensor改变形状(size)并返回.返回的Tensor与输入的Tensor必须有相同的元素,相同的元素数目,但形状可以不一样
即,view起到的作用是reshape,view的参数的是改变后的shape.
示例如下:
>>>x=torch.randn(4,4) >>>x.size() torch.Size([4,4]) >>>y=x.view(16) >>>y.size() torch.Size([16]) >>>z=x.view(-1,8)#thesize-1isinferredfromotherdimensions >>>z.size() torch.Size([2,8])
view_as:
tensor_1.view_as(tensor_2):将tensor_1的形状改成与tensor_2一样
以上这篇基于PyTorch的permute和reshape/view的区别介绍就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。