当前位置：首页 > article >正文

torch中维度操作总结(repeat,squeeze,unsqueeze,flatten,transpose)

article 2025/3/1 17:57:37

文章目录

- repeat 函数
- - 1.repeat参数个数与tensor向量维数一致
  - 2.repeat参数个数与tensor向量维数不一致
- squeeze 函数
- unsqueeze 函数
- flatten 函数
- transpose函数
- - 二维数组
  - 多维数组
- 参考网址
- 说明

repeat 函数

1.repeat参数个数与tensor向量维数一致

a = torch.tensor([[1, 2, 3],
                  [1, 2, 3]])
b = a.repeat(2, 2)
print(b.shape)

结果为：

torch.Size([4,6])

即repeat的参数是对应维度的复制个数，上段代码为0维复制两次，1维复制两次，则得到以上运行结果。其余扩展情况依此类推。

2.repeat参数个数与tensor向量维数不一致

在参数个数大于原tensor维度个数时，总是先在第0维扩展一个维数为1的维度，然后按照参数指定的复制次数进行复制。计算输出的形状时，可以按照对应参数*对应维度维数得到结果

# a形状(2,3)
a = torch.tensor([[1, 2, 3],
                  [1, 2, 3]])
# repeat参数比维度多
# 首先在第0维扩展一个维度，维数为1，然后按照参数指定的次数进行复制
# 在扩展前先将a的形状扩展为(1,2,3)然后复制
b = a.repeat(1, 2, 1)
print(b.shape)  # 得到结果torch.Size([1, 4, 3])

# a形状(2,3)
a = torch.tensor([[1, 2, 3],
                  [1, 2, 3]])
# repeat参数比维度多，在扩展前先将a的形状扩展为(1,2,3)然后复制
b = a.repeat(1, 1, 2)
print(b.shape)  # 得到结果torch.Size([1, 2, 6])

# a形状(2,3)
a = torch.tensor([[1, 2, 3],
                  [1, 2, 3]])
# repeat参数比维度多，在扩展前先将a的形状扩展为(1,2,3)然后复制
b = a.repeat(2, 1, 1)
print(b.shape)  # 得到结果torch.Size([2, 2, 3])

squeeze 函数

torch.squeeze(A，N)

torch.unsqueeze()函数：减少数组A指定位置N的维度。
如果不指定位置参数N，如果数组A的维度为（1，1，3）。
如果指定位置参数，执行 torch.squeeze(A，1) ，A的维度变为（1，3），中间的维度被删除。

注：

如果指定的维度大于1，那么将操作无效
如果不指定维度N，那么将删除所有维度为1的维度

a=torch.randn(1,1,3)
print(a.shape) # torch.Size([1, 1, 3])
b=torch.squeeze(a)
print(b.shape)	# torch.Size([3])
c=torch.squeeze(a,0)
print(c.shape)  # torch.Size([1, 3])
d=torch.squeeze(a,1)
print(d.shape)	# torch.Size([1, 3])
e=torch.squeeze(a,2)#如果去掉第三维，则数不够放了，所以直接保留
print(e.shape)	# torch.Size([1, 1, 3])

unsqueeze 函数

torch.unsqueeze(A，N)

torch.unsqueeze()函数：增加数组A指定位置N的维度。

两行三列的数组A维度为(2，3)，那么这个数组就有三个位置可以增加维度，分别是

（[位置0]， 2，[位置1]， 3， [位置2]） 
或者
（ [位置-3] ，2，[位置-2]， 3 ，[位置-1] ）

如果执行 torch.unsqueeze(A，1)，数据的维度就变为了（2，1，3）

a=torch.randn(1,3)
print(a.shape)	# torch.Size([1, 3])
b=torch.unsqueeze(a,0)
print(b.shape)	# torch.Size([1, 1, 3])
c=torch.unsqueeze(a,1)
print(c.shape)	# torch.Size([1, 1, 3])
d=torch.unsqueeze(a,2)
print(d.shape)	# torch.Size([1, 3, 1])

flatten 函数

flatten() 是对多维数据的降维函数。
flatten(),默认缺省参数为0，也就是说flatten()和flatte(0)效果一样。
python里的flatten(dim)表示，从第dim个维度开始展开，将后面的维度转化为一维.也就是说，只保留dim之前的维度，其他维度的数据全都挤在dim这一维。

import torch
a = torch.rand(2,3,4)
print(a.shape) # torch.Size([2, 3, 4])
b = a.flatten()
print(b.shape)  # torch.Size([24])
c = a.flatten(0)
print(c.shape)  # torch.Size([24])
d = a.flatten(1)
print(d.shape)  # torch.Size([2, 12])
e = a.flatten(2)
print(e.shape)	 # torch.Size([2, 3, 4])

transpose函数

二维数组

import numpy as np
X=np.arange(6).reshape((2,3))
print(X)
#[[0 1 2]
# [3 4 5]]

print(X.transpose())
#[[0 3]
# [1 4]
# [2 5]]

print(X.T)
#[[0 3]
# [1 4]
# [2 5]]

多维数组

x=np.arange(24).reshape((2,3,4))
print(x.shape)
y = x.transpose((0,1,2))
print(y.shape)
y = x.transpose((0,2,1))
print(y.shape)
y = x.transpose((2,1,0))
print(y.shape)

#(2, 3, 4)
#(2, 3, 4)
#(2, 4, 3)
#(4, 3, 2)