在 PyTorch 中，调整张量维度的操作非常常见。这里总结了几种常用的调整维度的方法，涵盖了不同的操作和用途。
1. torch.squeeze()
• 作用：去除维度为1的维度。
• 示例：
tensor = torch.randn(1, 3, 1, 5)
tensor_squeezed = tensor.squeeze()
print(tensor_squeezed.shape) # 输出: torch.Size([3, 5])
• 注意：如果你只想去除某个特定维度为 1 的维度，可以传入维度索引作为参数。
tensor_squeezed = tensor.squeeze(0) # 只去除第0维
2. torch.unsqueeze()
• 作用：在指定位置插入维度为1的维度。
• 示例：
tensor = torch.randn(3, 5)
tensor_unsqueezed = tensor.unsqueeze(0) # 在第0维插入
print(tensor_unsqueezed.shape) # 输出: torch.Size([1, 3, 5])
3. torch.view()
• 作用：重塑张量的形状。需要注意的是，这个操作不会改变数据本身。
• 示例：
tensor = torch.randn(2, 3, 4)
reshaped_tensor = tensor.view(3, 8)
print(reshaped_tensor.shape) # 输出: torch.Size([3, 8])
• 注意：你也可以使用 -1 来自动推断某个维度的大小。
reshaped_tensor = tensor.view(-1, 4) # 自动计算第一个维度大小
4. torch.permute()
• 作用：重新排列张量的维度。
• 示例：
tensor = torch.randn(2, 3, 5)
permuted_tensor = tensor.permute(2, 0, 1) # 改变维度顺序
print(permuted_tensor.shape) # 输出: torch.Size([5, 2, 3])
5. torch.transpose()
• 作用：交换两个维度。
• 示例：
tensor = torch.randn(2, 3)
transposed_tensor = tensor.transpose(0, 1) # 交换第0维和第1维
print(transposed_tensor.shape) # 输出: torch.Size([3, 2])
• 注意：这个操作仅适用于二维张量（矩阵）。
6. torch.flatten()
• 作用：将多维张量展平为一维张量。
• 示例：
tensor = torch.randn(2, 3, 4)
flattened_tensor = tensor.flatten()
print(flattened_tensor.shape) # 输出: torch.Size([24])
• 注意：也可以指定从哪个维度开始展平：
flattened_tensor = tensor.flatten(start_dim=1)
print(flattened_tensor.shape) # 输出: torch.Size([2, 12])
7. torch.reshape()
• 作用：与 view() 类似，重新调整张量的形状，但会返回一个新的张量。
• 示例：
tensor = torch.randn(2, 3, 4)
reshaped_tensor = tensor.reshape(3, 8)
print(reshaped_tensor.shape) # 输出: torch.Size([3, 8])
8. torch.cat()
• 作用：沿着指定维度拼接两个或多个张量。
• 示例：
tensor1 = torch.randn(2, 3)
tensor2 = torch.randn(2, 3)
concatenated_tensor = torch.cat((tensor1, tensor2), dim=0) # 沿着第0维拼接
print(concatenated_tensor.shape) # 输出: torch.Size([4, 3])
9. torch.stack()
• 作用：沿着新的维度将多个张量堆叠起来。
• 示例：
tensor1 = torch.randn(3, 4)
tensor2 = torch.randn(3, 4)
stacked_tensor = torch.stack((tensor1, tensor2), dim=0) # 新维度放在第0维
print(stacked_tensor.shape) # 输出: torch.Size([2, 3, 4])
10. torch.index_select()
• 作用：选择指定维度上的元素。
• 示例：
tensor = torch.randn(3, 5)
selected_tensor = torch.index_select(tensor, dim=1, index=torch.tensor([0, 2, 4]))
print(selected_tensor.shape) # 输出: torch.Size([3, 3])
11. torch.split()
• 作用：将张量沿指定维度分割成多个子张量。
• 示例：
tensor = torch.randn(6, 4)
split_tensors = torch.split(tensor, 2, dim=0) # 按第0维分割，每块大小为2
for split in split_tensors:
print(split.shape) # 输出: torch.Size([2, 4]) 对应的3次输出
12. torch.chunk()
• 作用：将张量沿指定维度分成多个块。
• 示例：
tensor = torch.randn(6, 4)
chunks = torch.chunk(tensor, 3, dim=0) # 将张量沿第0维分为3块
for chunk in chunks:
print(chunk.shape) # 输出: torch.Size([2, 4]) 对应的3次输出
13. torch.broadcast_tensors()
• 作用：使多个张量广播到相同的形状。
• 示例：
tensor1 = torch.randn(3, 1)
tensor2 = torch.randn(3, 4)
broadcasted_tensors = torch.broadcast_tensors(tensor1, tensor2)
print(broadcasted_tensors[0].shape) # 输出: torch.Size([3, 4])
总结
• 维度变化方法：squeeze(), unsqueeze(), view(), reshape(), flatten(), permute(), transpose()
• 拼接与堆叠方法：cat(), stack()
• 选择与分割方法：index_select(), split(), chunk()
• 广播与调整：broadcast_tensors()
通过这些方法，你可以灵活地处理 PyTorch 中张量的维度调整，满足不同的计算需求。
💬 评论