文章目录

torch.transpose
- 对于高维度张量
torch.t
- 例程

Function	Description	Detail
transpose	Returns a tensor that is a transposed version of input.	多维张量转置
t	Expects input to be <= 2-D tensor and transposes dimensions 0 and 1.	1、2维张量转置
swapaxes	Alias for torch.transpose().	和 transpose 功能一致
swapdims	Alias for torch.transpose().	和 transpose 功能一致

torch.transpose

我们有时候会遇到这样的问题，某个时刻我们希望把某个张量从横向量，转置成纵向量。因为对于线性代数来说，矩阵的基本计算法则告诉我们，两个矩阵叉乘必须满足 [l×m]×[m×n][l \times m] \times [m \times n][l×m]×[m×n] 才可以进行计算。但有时候我们为了方便会创建出两个这样维度的矩阵 [m×l][m \times l][m×l] 和 [m×n][m \times n][m×n]，为了执行叉乘，必须要对第一个矩阵进行转置。

如果直接用 reshape 或者 view 命令，虽然改变了维度，但是没有改变底层的数据顺序，一样得不到正确的结果。

>>> tensor = torch.tensor([1, 2, 3, 4, 5, 6, 7, 8, 9, 0]).view(2, -1)
>>> tensor
tensor([[1, 2, 3, 4, 5],[6, 7, 8, 9, 0]])
>>> tensor.reshape(-1, 2)
tensor([[1, 2],[3, 4],[5, 6],[7, 8],[9, 0]])

对于上面这个例子，我们实际上希望输出的是

tensor([[1, 6],[2, 7],[3, 8],[4, 9],[5, 0]])

所以这个时候就需要转置函数，其函数原型为

    torch.transpose(input, dim0, dim1) -> Tensor

这个函数表示张量的某两维度之间进行转置，对于上面这个例子来说即：

>>> tensor = torch.transpose(tensor, dim0=0, dim1=1)
tensor([[1, 6],[2, 7],[3, 8],[4, 9],[5, 0]])

对于高维度张量

高维度张量也存在需要转置的情况，由于transpose不指定具体哪两个维转置，所以相对来说对使用者要方便很多。

>>> tensor = torch.randn(1, 2, 3)
>>> tensor  # shape of tensor is [1, 2, 3]
tensor([[[ 0.1264, -0.7503,  0.5522],[ 0.0680,  1.0128,  0.1585]]])>>> tensor = torch.transpose(tensor, dim0=1, dim1=2)
>>> tensor  # shape of tensor is [1, 3, 2]
tensor([[[ 0.1264,  0.0680],[-0.7503,  1.0128],[ 0.5522,  0.1585]]])>>> tensor = torch.transpose(tensor, dim0=0, dim1=2)
>>> tensor  # shape of tensor is [2, 3, 1]
tensor([[[ 0.1264],[-0.7503],[ 0.5522]],[[ 0.0680],[ 1.0128],[ 0.1585]]])

torch.t

根据描述，这个函数仅能用于小于或等于二维的张量转置

torch.t(input) → Tensor

例程

>>> x = torch.randn(3)
>>> x
tensor([ 2.4320, -0.4608,  0.7702])
>>> torch.t(x)
tensor([ 2.4320, -0.4608,  0.7702])
>>> x = torch.randn(2, 3)
>>> x
tensor([[ 0.4875,  0.9158, -0.5872],[ 0.3938, -0.6929,  0.6932]])
>>> torch.t(x)
tensor([[ 0.4875,  0.3938],[ 0.9158, -0.6929],[-0.5872,  0.6932]])

Pytorch基础操作 —— 8. 张量转置操作相关推荐

pytorch基础一：张量
简单记录以便查阅张量一.创建张量 x = torch.empty(5,3) # 创建未初始化矩阵张量 x = torch.rand(5,3) # 创建初始化随机矩阵张量 x = torch.zer ...
PyTorch框架学习三——张量操作
PyTorch框架学习三--张量操作一.拼接 1.torch.cat() 2.torch.stack() 二.切分 1.torch.chunk() 2.torch.split() 三.索引 1.to ...
Pytorch基础操作 —— 6. 如何使用自定义数据集
文章目录自定义数据集 Step 1. 熟悉你的数据集有数据就要有标签数据大小.维度一定要一样归一化 Step 2. 确定如何加载你的数据集使用 DataLoader 批量加载数据需要注意的 ...
Pytorch ——基础指北_肆 [构建数据集与操作数据集]
Pytorch --基础指北_肆系列文章目录 Pytorch --基础指北_零 Pytorch --基础指北_壹 Pytorch --基础指北_贰 Pytorch --基础指北_叁文章目录 Pyt ...
02.PyTorch基础操作(3-1 机器学习中的分类与回归问题-机器学习基本构成元素)
@[TOC](02.PyTorch基础操作(3-1 机器学习中的分类与回归问题-机器学习基本构成元素)) 来自慕课网一.3-1 机器学习中的分类与回归问题-机器学习基本构成元素
PyTorch基础（一）-----张量（Tensor）
前言很多人都会拿PyTorch和Google的Tensorflow进行比较,这个肯定是没有问题的,因为他们是最火的两个深度学习框架了.但是说到PyTorch,其实应该先说Torch. 什么是Torc ...
【深度之眼PyTorch框架班第五期】作业打卡01：PyTorch简介及环境配置；PyTorch基础数据结构——张量
文章目录任务名称任务简介详细说明作业 1. 安装anaconda,pycharm, CUDA+CuDNN(可选),虚拟环境,pytorch,并实现hello pytorch查看pytorch的 ...
深度学习（14）TensorFlow高阶操作三: 张量排序
深度学习(14)TensorFlow高阶操作三: 张量排序一. Sort, argsort 1. 一维Tensor 2. 多维Tensor 二. Top_k 三. Top-k accuracy(To ...
html表格联动,html前端基础：table和select操作
html前端基础:table和select操作发布时间:2020-05-13 09:58:10 来源:亿速云阅读:196 作者:Leah 这篇文章主要为大家详细介绍html前端基础中有关table ...

Pytorch基础操作 —— 8. 张量转置操作

文章目录

torch.transpose

对于高维度张量

torch.t

例程

Pytorch基础操作 —— 8. 张量转置操作相关推荐

最新文章

热门文章