![](/img/trans.png)
[英]visual understanding of rotation by numpy.rot90 for 3D and higher order arrays, ndarrays of dimension greater than 3
[英]Direction of rotation of torch.rot90
对我来说,在推理高度和宽度时,这些旋转更有意义。 如果您将axis=0
视为高度尺寸,将axis=1
视为宽度尺寸。 然后:
取一个简单的输入矩阵x
:
>>> x
tensor([[0, 1],
[2, 3]])
k > 0
: axis=0
朝向axis=1
,对应“高度朝向宽度”,即逆时针方向。
>>> x.rot90(k=1) tensor([[2, 0], [3, 1]])
k < 0
: axis=1
朝向axis=0
,这次是“宽度朝向高度,即顺时针旋转。
>>> x.rot90(k=-1) tensor([[1, 3], [0, 2]])
axis=0
是指向下方的维度,而axis=1
指向右边。 像这样可视化轴:
---------> axis=1
|
|
|
\/
axis=0
现在,k>0 表示逆时针方向,k<0 表示顺时针方向。
因此,
>>> x = torch.arange(6).view(3, 2)
>>> x
tensor([[0, 1],
[2, 3],
[4, 5]])
>>> torch.rot90(x, 1, [0,1])
tensor([[1, 3, 5],
[0, 2, 4]])
>>> torch.rot90(x, 1, [1,0])
tensor([[4, 2, 0],
[5, 3, 1]])
torch.rot90()
类似于numpy.rot90()
例如
numpy.rot90(m, k=1, axes=(0, 1))
意思
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.