PyTorch 重塑张量维度

Question

我想将形状(5,)的向量重塑为形状(1, 5)的矩阵。

使用 numpy，我可以做到：

>>> import numpy as np
>>> a = np.array([1, 2, 3, 4, 5])
>>> a.shape
(5,)
>>> a = np.reshape(a, (1, 5))
>>> a.shape
(1, 5)
>>> a
array([[1, 2, 3, 4, 5]])

但是我如何使用 PyTorch 做到这一点？

Answer 1

使用torch.unsqueeze(input, dim, out=None) ：

>>> import torch
>>> a = torch.Tensor([1, 2, 3, 4, 5])
>>> a

 1
 2
 3
 4
 5
[torch.FloatTensor of size 5]

>>> a = a.unsqueeze(0)
>>> a

 1  2  3  4  5
[torch.FloatTensor of size 1x5]

Answer 2

你可能会使用

a.view(1,5)
Out: 

 1  2  3  4  5
[torch.FloatTensor of size 1x5]

Answer 3

有多种方法可以重塑 PyTorch 张量。 您可以将这些方法应用于任何维度的张量。

让我们从一个二维2 x 3张量开始：

x = torch.Tensor(2, 3)
print(x.shape)
# torch.Size([2, 3])

为了给这个问题增加一些鲁棒性，让我们通过在前面添加一个新维度并在中间添加另一个维度来重塑2 x 3张量，从而产生一个1 x 2 x 1 x 3张量。

方法 1：使用None添加维度

使用 NumPy 样式的None插入（又名np.newaxis ）在任何你想要的地方添加维度。 见 这里。

print(x.shape)
# torch.Size([2, 3])

y = x[None, :, None, :] # Add new dimensions at positions 0 and 2.
print(y.shape)
# torch.Size([1, 2, 1, 3])

方法2：解压

使用torch.Tensor.unsqueeze(i) （又名torch.unsqueeze(tensor, i)或就地版本unsqueeze_() ）在第 i 个维度添加一个新维度。 返回的张量与原始张量共享相同的数据。 在这个例子中，我们可以使用unqueeze()两次来添加两个新维度。

print(x.shape)
# torch.Size([2, 3])

# Use unsqueeze twice.
y = x.unsqueeze(0) # Add new dimension at position 0
print(y.shape)
# torch.Size([1, 2, 3])

y = y.unsqueeze(2) # Add new dimension at position 2
print(y.shape)
# torch.Size([1, 2, 1, 3])

在 PyTorch 的实践中， 为批处理添加额外的维度可能很重要，因此您可能经常会看到unsqueeze(0) 。

方法三：查看

使用torch.Tensor.view(*shape)指定所有尺寸。 返回的张量与原始张量共享相同的数据。

print(x.shape)
# torch.Size([2, 3])

y = x.view(1, 2, 1, 3)
print(y.shape)
# torch.Size([1, 2, 1, 3])

方法四：重塑

使用torch.Tensor.reshape(*shape) （又名torch.reshape(tensor, shapetuple) ）指定所有维度。 如果原始数据是连续的并且具有相同的步幅，则返回的张量将是输入的视图（共享相同的数据），否则将是副本。 此函数类似于 NumPy reshape()函数，因为它允许您定义所有维度并可以返回视图或副本。

print(x.shape)
# torch.Size([2, 3])

y = x.reshape(1, 2, 1, 3)
print(y.shape)
# torch.Size([1, 2, 1, 3])

此外，作者在 O'Reilly 2019 年出版的Programming PyTorch for Deep Learning中写道：

现在您可能想知道view()和reshape()之间有什么区别。 答案是view()作为原始张量上的视图运行，因此如果基础数据发生更改，视图也会更改（反之亦然）。 但是，如果所需的视图不连续， view()可能会抛出错误； 也就是说，如果从头开始创建所需形状的新张量，它不会共享相同的内存块。 如果发生这种情况，您必须先调用tensor.contiguous()才能使用view() 。 但是， reshape()会在幕后完成所有这些工作，所以总的来说，我建议使用reshape()而不是view() 。

方法5：resize_

使用就地函数torch.Tensor.resize_(*sizes)修改原始张量。 该文档指出：

警告。 这是一种低级方法。 存储被重新解释为 C 连续，忽略当前步幅（除非目标大小等于当前大小，在这种情况下张量保持不变）。 在大多数情况下，您将改为使用view()来检查连续性，或者reshape()来在需要时复制数据。 要使用自定义步幅就地更改大小，请参阅set_() 。

print(x.shape)
# torch.Size([2, 3])

x.resize_(1, 2, 1, 3)
print(x.shape)
# torch.Size([1, 2, 1, 3])

我的观察

如果您只想添加一个维度（例如为批次添加第 0 个维度），请使用unsqueeze(0) 。 如果您想完全改变维度，请使用reshape() 。

也可以看看：

pytorch中的reshape和view有什么区别？

view() 和 unsqueeze() 有什么区别？

在 PyTorch 0.4 中，是否建议在可能的情况下使用reshape而不是view ？

Answer 4

对于张量形状的就地修改，您应该使用tensor.resize_() ：

In [23]: a = torch.Tensor([1, 2, 3, 4, 5])

In [24]: a.shape
Out[24]: torch.Size([5])


# tensor.resize_((`new_shape`))    
In [25]: a.resize_((1,5))
Out[25]: 

 1  2  3  4  5
[torch.FloatTensor of size 1x5]

In [26]: a.shape
Out[26]: torch.Size([1, 5])

在 PyTorch 中，如果操作末尾有下划​​线（如tensor.resize_() ），则该操作会对原始张量in-place修改。

---

此外，您可以简单地在火炬张量中使用np.newaxis来增加维度。 这是一个例子：

In [34]: list_ = range(5)
In [35]: a = torch.Tensor(list_)
In [36]: a.shape
Out[36]: torch.Size([5])

In [37]: new_a = a[np.newaxis, :]
In [38]: new_a.shape
Out[38]: torch.Size([1, 5])

Answer 5

或者你可以使用它，'-1' 意味着你不必指定元素的数量。

In [3]: a.view(1,-1)
Out[3]:

 1  2  3  4  5
[torch.FloatTensor of size 1x5]

Answer 6

这个问题已经得到了彻底的回答，但是我想为经验不足的 python 开发人员补充一点，您可能会发现*运算符与view()结合使用很有帮助。

例如，如果您有一个特定的张量大小，您希望不同的数据张量符合，您可以尝试：

img = Variable(tensor.randn(20,30,3)) # tensor with goal shape
flat_size = 20*30*3
X = Variable(tensor.randn(50, flat_size)) # data tensor

X = X.view(-1, *img.size()) # sweet maneuver
print(X.size()) # size is (50, 20, 30, 3)

这也适用于 numpy shape ：

img = np.random.randn(20,30,3)
flat_size = 20*30*3
X = Variable(tensor.randn(50, flat_size))
X = X.view(-1, *img.shape)
print(X.size()) # size is (50, 20, 30, 3)

Answer 7

torch.reshape()用于欺骗numpy reshape方法。

它出现在view()和torch.resize_()之后，它位于dir(torch)包中。

import torch
x=torch.arange(24)
print(x, x.shape)
x_view = x.view(1,2,3,4) # works on is_contiguous() tensor
print(x_view.shape)
x_reshaped = x.reshape(1,2,3,4) # works on any tensor
print(x_reshaped.shape)
x_reshaped2 = torch.reshape(x_reshaped, (-1,)) # part of torch package, while view() and resize_() are not
print(x_reshaped2.shape)

出去：

tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16, 17,
        18, 19, 20, 21, 22, 23]) torch.Size([24])
torch.Size([1, 2, 3, 4])
torch.Size([1, 2, 3, 4])
torch.Size([24])

但是你知道它也可以作为squeeze()和unsqueeze()的替代品吗？

x = torch.tensor([1, 2, 3, 4])
print(x.shape)
x1 = torch.unsqueeze(x, 0)
print(x1.shape)
x2 = torch.unsqueeze(x1, 1)
print(x2.shape)
x3=x.reshape(1,1,4)
print(x3.shape)
x4=x.reshape(4)
print(x4.shape)
x5=x3.squeeze()
print(x5.shape)

出去：

torch.Size([4])
torch.Size([1, 4])
torch.Size([1, 1, 4])
torch.Size([1, 1, 4])
torch.Size([4])
torch.Size([4])

Answer 8

import torch
>>>a = torch.Tensor([1,2,3,4,5])
>>>a.size()
torch.Size([5])
#use view to reshape

>>>b = a.view(1,a.shape[0])
>>>b
tensor([[1., 2., 3., 4., 5.]])
>>>b.size()
torch.Size([1, 5])
>>>b.type()
'torch.FloatTensor'

Answer 9

据我所知，重塑张量的最佳方法是使用einops 。 它通过提供简单而优雅的功能解决了各种重塑问题。 在您的情况下，代码可以写成

from einops import rearrange
ans = rearrange(tensor,'h -> 1 h')

我强烈建议您尝试一下。

顺便说一句，您可以将它与 pytorch/tensorflow/numpy 和许多其他库一起使用。

Answer 10

假设以下代码：

import torch
import numpy as np
a = torch.tensor([1, 2, 3, 4, 5])

以下三个调用具有完全相同的效果：

res_1 = a.unsqueeze(0)
res_2 = a.view(1, 5)
res_3 = a[np.newaxis,:]
res_1.shape == res_2.shape == res_3.shape == (1,5)  # Returns true

请注意，对于任何生成的张量，如果您修改其中的数据，您也在修改 a 中的数据，因为它们没有数据的副本，而是引用 a 中的原始数据。

res_1[0,0] = 2
a[0] == res_1[0,0] == 2  # Returns true

另一种方法是使用resize_ in place 操作：

a.shape == res_1.shape  # Returns false
a.reshape_((1, 5))
a.shape == res_1.shape # Returns true

小心使用resize_或其他就地操作autograd 。 请参阅以下讨论： https ://pytorch.org/docs/stable/notes/autograd.html#in-place-operations-with-autograd

Answer 11

import torch
t = torch.ones((2, 3, 4))
t.size()

>>torch.Size([2, 3, 4])

a = t.view(-1,t.size()[1]*t.size()[2])
a.size()

>>torch.Size([2, 12])