如何将形状（3、1、2）的3D张量重塑为（1、2、3）

Question

我打算

(Pdb) aa = torch.tensor([[[1,2]], [[3,4]], [[5,6]]])
(Pdb) aa.shape
torch.Size([3, 1, 2])
(Pdb) aa
tensor([[[ 1,  2]],

        [[ 3,  4]],

        [[ 5,  6]]])
(Pdb) aa.view(1, 2, 3)
tensor([[[ 1,  2,  3],
         [ 4,  5,  6]]])

但是我真正想要的是

tensor([[[ 1,  3,  5],
         [ 2,  4,  6]]])

怎么样？

在我的应用程序中，我试图将形状为（L，N，C_in）的输入数据转换为（N，C_in，L）以便使用Conv1d ，其中

• L：序列长度
• N：批量
• C_in：输入中通道的数量，我也将其理解为序列在每个位置上输入的维数。

我也想知道Conv1d的输入与GRU的输入形状不一样吗？

Answer 1

您可以将轴置换为所需的形状。 （这在某种意义上类似于np.rollaxis操作）。

In [90]: aa
Out[90]: 
tensor([[[ 1,  2]],

        [[ 3,  4]],

        [[ 5,  6]]])

In [91]: aa.shape
Out[91]: torch.Size([3, 1, 2])

# pass the desired ordering of the axes as argument
# assign the result back to some tensor since permute returns a "view"
In [97]: permuted = aa.permute(1, 2, 0)

In [98]: permuted.shape
Out[98]: torch.Size([1, 2, 3])

In [99]: permuted
Out[99]: 
tensor([[[ 1,  3,  5],
         [ 2,  4,  6]]])

Answer 2

这是一种实现方法，仍然希望通过一次操作即可看到解决方案。

(Pdb) torch.transpose(aa, 0, 2).t()
tensor([[[ 1,  3,  5],
         [ 2,  4,  6]]])
(Pdb) torch.transpose(aa, 0, 2).t().shape
torch.Size([1, 2, 3])