Pytorch中改变形状和交换维度详解：view()、reshape()、transpose()、permute()以及contiguous()

文章目录

view()和reshape()
transpose()和permute()
contiguous

以后操作基于下述tensor。

import torch
a=torch.rand(2,2,2)
print(a)

view()和reshape()

这两个功能很简单，就是把原来的tensor拍扁，变成8个数，然后按照你给定的形状恢复出来。

问题，怎么拍扁，就是把第二维里面数依次取出来，比如上面的就是9,5,4,8,4,3,5,7。

问题，怎么恢复出我们要的形状？假设我们要的形状是(1,1,8)，先填充你给定的最后一个维度即第二维，然后看你要在这个维度上填充多少个数，我们给的是8，刚好填完就没了。

print(a.view(1,1,8))
print(a.reshape(1,1,8))

发现两者一毛一样。两者拍扁和填充的原理一样，所以当然一样喽。没毛病，都可以升维降维。

print(a.view(1,1,2,4))
print(a.reshape(1,1,2,4))
print(a.view(2,4))
print(a.reshape(2,4))

但是，这两个有不同的地方，reshape更加强大，到底有什么不同，我们会在最后公开。

transpose()和permute()

我们继续对a进行这两个操作：

这两个也非常像，但是这两个的原理和前面两个完全不一样，并不是拍扁然后恢复，而是交换维度，这个似乎非常抽象。

举个例子给你吧，现在维度是(2,2,2)，假如我们要交换维度dim=1,dim=2，其流程如下：固定维度dim=0，然后对dim=1,dim=2进行矩阵转置，这个很简单对吧。

print(a.transpose(1,2))#维度1和维度2需要交换
print(a.permute(0,2,1))#效果一样，但用法不一样。表示现在的维度1是原来的维度2

我们观察一下，是不是就是一个转置而已！！！

从上面的用法可以看到，permute更加强大，transpose只能交换两个维度，但是：

print(a.permute(1,2,0))

突然变了3个维度，是不是有点烧脑了，不慌，我们一步一步来，其可以转化为：

print(a.transpose(1,2).transpose(2,0))

以上也是这两者仅有的区别了。

contiguous

在上述transpose()和permute()之后会带来一个后果，即数据地址不连续，这个时候不可以用view操作，只能用reshape。

print(a)
print(a.is_contiguous())#创建tensor或者view或者reshape，tensor的数据地址都是连续的。就是按照那个拍扁的顺序来存储在内存的。
print(a.view(1,1,8))
a=a.transpose(1,2)#交换维度，造成地址不连续
print(a.is_contiguous())
print(a.reshape(1,1,8))#仍然可以用
print(a.view(1,1,8))

tensor中的数据不连续存储，我们可以让其变得连续：

a=a.contiguous()
print(a.view(1,1,8))

contiguous:相接的; 相邻的;

continuous:;持续的;