pytorch tensor处理

permute

类似于np.transpose，将tensor的维度换位，只能Tensor.permute()

eg：

image-20221012224124489.png

作为对比，torch.transpose()只能操作2D矩阵的转置，即一次作用于tensor的两个维度

contiguous

pytorch中Tensor是按行优先一维展开的，但是某些Tensor操作后比如transpose、permute等，与原Tensor是共享内存中的数据，不会改变底层数组的存储，语义上相邻，内存不相邻，即不连续了，直接使用view会报错，需要使用contiguous

image-20221013083227963.png

t2和t引用的是同一份底层数据[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]

使用contiguous相当于重新开辟了一块内存，并按照新的Tensor按行一维展开，改变了底层数据

所以可以考虑用torch.reshape()替代tensor.contiguous().view()，省去了调用麻烦

view

相当于resize()，根据输入形状重新排列tensor

expand

返回tensor的一个新视图，单个维度扩大为更大的尺寸（复制）

eg：

image-20221013084629546.png

image-20221013084904431.png

torch.empty_like(x)

返回和x形状相同的使用未初始化值填充的tensor

torch.bernoulli()

torch.bernoulli(input)表示从伯努利分布中提取二进制随机数0或1，输入张量应为包含用于绘制二进制随机数的概率的张量，因此输入中的所有值都必须在(0,1)范围内

最后修改：2022 年 10 月 14 日
© 允许规范转载
如果觉得我的文章对你有用，请随意赞赏