PyTorch：tensor-张量维度操作（拼接、维度扩展、压缩、转置、重复……）

小灰灰 2022-12-13 04:22 709阅读 0赞

张量维度操作（拼接、维度扩展、压缩、转置、重复……）

note: torch.fun(tensor1)和tensor1.fun()都只会返回改变后的tensor，但是tensor本身的维度和数据都不会变。包括unsqueeze、expand等等。

[\-柚子皮-][-_-]

### torch.cat多个tensor直接拼接 ###

torch.cat(seq, dim=0, out=None)

在指定的维度dim上对序列seq进行连接操作。

参数：

seq (sequence of Tensors) - Python序列或相同类型的张量序列  
dim (int, optional) - 沿着此维度连接张量  
out (Tensor, optional) - 输出参数  
例子：

x = torch.randn(2, 3)  
x  
\-0.5866 -0.3784 -0.1705  
\-1.0125 0.7406 -1.2073  
\[torch.FloatTensor of size 2x3\]  
torch.cat((x, x), 0)  
\-0.5866 -0.3784 -0.1705  
\-1.0125 0.7406 -1.2073  
\-0.5866 -0.3784 -0.1705  
\-1.0125 0.7406 -1.2073  
\[torch.FloatTensor of size 4x3\]  
torch.cat((x, x), 1)  
\-0.5866 -0.3784 -0.1705 -0.5866 -0.3784 -0.1705  
\-1.0125 0.7406 -1.2073 -1.0125 0.7406 -1.2073  
\[torch.FloatTensor of size 2x6\]

### torch.stack扩张再拼接 ###

torch.[stack][](tensors, dim=0, \*, out=None)

x = torch.randn(3, 4)

torch.stack((x, x), 0).size()    \# torch.Size(\[2, 3, 4\])

torch.stack((x, x), 1).size()    \#torch.Size(\[3, 2, 4\])

### torch.squeeze(input, dim=None, out=None) 压缩张量 ###

参数:

input (Tensor) – 输入张量  
dim (int, optional) – 如果给定，则只会在给定维度压缩  
out (Tensor, optional) – 输出张量

除去输入张量input中数值为1的维度，并返回新的张量。如果输入张量的形状为（A\*1\*B\*C\*1\*D），那么输出张量的形状为（ A\*B\*C\*D）。

当通过dim参数指定维度时，维度压缩操作只会在指定的维度上进行。如果输入向量的形状为（A\*1\*B），squeeze(input, 0)会保持张量的维度不变，只有在执行squeeze(input, 1)时，输入张量的形状会被压缩至（ A\*B ）。

如果一个张量只有1个维度，那么它不会受到上述方法的影响。

squeeze有个缺陷，即size所有维度都是1时，squeeze后维度全没了，所以当知道需要对某个维度进行squeeze时，尽量指定dim。  
a = torch.tensor(\[\[0.4965\]\])  
a.size()  \#torch.Size(\[1, 1\])  
a.squeeze().size()   \#torch.Size(\[\])

输出的张量与原张量**共享内存**，如果改变其中的一个，另一个也会改变。

为何只去掉 1 呢？多维张量本质上就是一个变换，如果维度是 1 ，那么，1 仅仅起到扩充维度的作用，而没有其他用途，因而，在进行降维操作时，为了加快计算，是可以去掉这些 1 的维度。  
例子：

x = torch.zeros(2, 1, 2, 1, 2)  
x.size()  
torch.Size(\[2, 1, 2, 1, 2\])  
y = torch.squeeze(x)  
y.size()  
torch.Size(\[2, 2, 2\])  
y = torch.squeeze(x, 0)  
y.size()  
torch.Size(\[2, 1, 2, 1, 2\])  
y = torch.squeeze(x, 1)  
y.size()  
torch.Size(\[2, 2, 1, 2\])

### torch.unsqueeze(input, dim, out=None)/tensor.unsqueeze扩展张量维度 ###

返回一个新的张量，对输入的既定位置插入维度 1。注意： 返回张量与输入张量共享内存，所以改变其中一个的内容会改变另一个。  
如果dim为负，则将会被转化dim+input.dim()+1。

**参数**  
tensor (Tensor) – 输入张量  
dim (int) – 插入维度的索引  
out (Tensor, optional) – 结果张量

Note: tensor1.unsqueeze(1)可以使用tensor1\[:, None, :, :, :\]来等价代替，这时tensor1的维度从\[a,b,c,d\]变成\[a,1,b,c,d\]。同理，tensor1.unsqueeze(0).unsqueeze(3)通过x\[None, :, :, None, :\]等价代替，维度从\[a,b,c\]变成\[1,a,b,1,c\]。

**tensor.unsqueeze\_和tensor.unsqueeze/torch.unsqueeze 的区别**

torch.unsqueeze\_(tensor1,1)相当于tensor1.unsqueeze(1)。

区别在于 tensor1.unsqueeze\_ 是 in\_place 操作，即unsqueeze\_ 则会对自己改变。torch.unsqueeze 不会对使用 unsqueeze 的 tensor 进行改变，想要获取 unsqueeze 后的值必须赋予个新值。  
**示例：**

x = torch.Tensor(\[1, 2, 3, 4\])  \# torch.Tensor是默认的tensor类型（torch.FlaotTensor）的简称。  
print(x.size())  \# torch.Size(\[4\])

print(torch.unsqueeze(x, 0))  \# tensor(\[\[1., 2., 3., 4.\]\])  
print(torch.unsqueeze(x, 0).size())  \# torch.Size(\[1, 4\])

print(torch.unsqueeze(x, 1))  
\# tensor(\[\[1.\],  
\#         \[2.\],  
\#         \[3.\],  
\#         \[4.\]\])  
print(torch.unsqueeze(x, 1).size())  \# torch.Size(\[4, 1\])  
  
print(torch.unsqueeze(x, -1))  
\# tensor(\[\[1.\],  
\#         \[2.\],  
\#         \[3.\],  
\#         \[4.\]\])  
print(torch.unsqueeze(x, -1).size())  \# torch.Size(\[4, 1\])

print(torch.unsqueeze(x, -2))  \# tensor(\[\[1., 2., 3., 4.\]\])  
print(torch.unsqueeze(x, -2).size())  \# torch.Size(\[1, 4\])

\[[torch.unsqueeze() 和 torch.squeeze()][torch.unsqueeze_ _ torch.squeeze]\]

### torch.Tensor.expand(\*sizes)扩大张量 ###

返回张量的一个**新视图**，可以将张量的单个维度扩大为更大的尺寸。

张量也可以扩大为更高维，新增加的维度将附在前面。 扩大张量不需要分配新内存，仅仅是新建一个张量的视图。任意一个一维张量在不分配新内存情况下都可以扩展为任意的维度。

传入-1则意味着维度扩大不涉及这个维度。

参数：sizes (torch.Size or int...) – 想要扩展的目标维度

示例1：

a = torch.tensor(\[\[1, 2\], \[3, 4\], \[5, 6\]\])  
a1 = (a \*\* 2).sum(1).expand(3, 4)  \# 因为新增加的维度将附在前面，所以size=(3)时，不能直接expand为(3,4)  
a1 = torch.sum((a \*\* 2), 1, keepdim=True).expand(3, 4)  \# size=(3,1)可以expand为(3,4)  
示例2：

x = torch.Tensor(\[\[1\], \[2\], \[3\]\])  
x.size()  
torch.Size(\[3, 1\])  
x.expand(3, 4)  
1 1 1 1  
2 2 2 2  
3 3 3 3  
\[torch.FloatTensor of size 3x4\]

### Flatten张量 ###

>>> t = torch.tensor(\[\[\[1, 2\],  
                       \[3, 4\]\],  
                      \[\[5, 6\],  
                       \[7, 8\]\]\])  
>>> torch.flatten(t)  
tensor(\[1, 2, 3, 4, 5, 6, 7, 8\])  
>>> torch.flatten(t, start\_dim=1)  
tensor(\[\[1, 2, 3, 4\],  
        \[5, 6, 7, 8\]\])

\[torch.[flatten][](input, start\_dim=0, end\_dim=-1) \]

[\-柚子皮-][-_-]

### torch.Tensor.repeat(\*sizes)重复张量 ###

沿着指定的维度重复张量。不同于expand()方法，本函数**复制**的是张量中的数据。

参数：size (torch.size ot int...) - 沿着每一维重复的次数  
例子：

x = torch.Tensor(\[1, 2, 3\])  
x.repeat(3, 2)  
1 2 3 1 2 3  
1 2 3 1 2 3  
1 2 3 1 2 3  
\[torch.FloatTensor of size 3x6\]

### torch.Tensor.unfold(dim, size, step)  ###

返回一个新的张量，其中元素复制于有原张量在dim维度上的数据，复制重复size次，复制时的步进值为step。

参数：

dim (int) - 目标维度  
size (int) - 复制重复的次数（展开维度）  
step (int) - 步长  
例子：

x = torch.arange(1, 8)  
x  
1  
2  
3  
4  
5  
6  
7  
\[torch.FloatTensor of size 7\]  
x.unfold(0, 2, 1)  
1 2  
2 3  
3 4  
4 5  
5 6  
6 7  
\[torch.FloatTensor of size 6x2\]  
x.unfold(0, 2, 2)  
1 2  
3 4  
5 6  
\[torch.FloatTensor of size 3x2\]

### torch.Tensor.narrow(dimension, start, length)缩小张量 ###

返回一个经过缩小后的张量。操作的维度由dimension指定。缩小范围是从start开始到start+length。执行本方法的张量与返回的张量共享相同的底层内存。

参数：

dimension (int) – 要进行缩小的维度  
start (int) – 开始维度索引  
length (int) – 缩小持续的长度  
例子：

x = torch.Tensor(\[\[1, 2, 3\], \[4, 5, 6\], \[7, 8, 9\]\])  
x.narrow(0, 0, 2)  
1 2 3  
4 5 6  
\[torch.FloatTensor of size 2x3\]  
x.narrow(1, 1, 2)  
2 3  
5 6  
8 9  
\[torch.FloatTensor of size 3x2\]

### torch.gather(input, dim, index, out=None) ###

沿给定轴dim，将输入索引张量index指定位置的值进行聚合。index的类型必须是LongTensor类型的。index的大小就是输出的大小。

对一个3维张量，输出可以定义为：

out\[i\]\[j\]\[k\] = tensor\[index\[i\]\[j\]\[k\]\]\[j\]\[k\] \# dim=0

out\[i\]\[j\]\[k\] = tensor\[i\]\[index\[i\]\[j\]\[k\]\]\[k\] \# dim=1

out\[i\]\[j\]\[k\] = tensor\[i\]\[j\]\[index\[i\]\[j\]\[k\]\] \# dim=3

gather中index实际上是索引，具体是行还是列的索引要看dim。

比如对于\[\[1,2,3\],\[4,5,6\]\]，指定dim=1，也就是横向，索引就是列号。index是\[\[0,1\],\[2,0\]\]，那么看index第一行，列0指的是1， 列1指的是2，同理，第二行为6，4，这样就输出为\[\[1,2\], \[6,4\]。

b = torch.Tensor(\[\[1,2,3\],\[4,5,6\]\])  
print b  
index\_1 = torch.LongTensor(\[\[0,1\],\[2,0\]\])  
index\_2 = torch.LongTensor(\[\[0,1,1\],\[0,0,0\]\])  
print torch.gather(b, dim=1, index=index\_1)  
print torch.gather(b, dim=0, index=index\_2)

1  2  3  
 4  5  6  
\[torch.FloatTensor of size 2x3\]  
 1  2  
 6  4  
\[torch.FloatTensor of size 2x2\]  
 1  5  6  
 1  2  3  
\[torch.FloatTensor of size 2x3\]

gather在one-hot为输出的多分类问题中，可以把最大值坐标作为index传进去，然后提取到每一行的正确预测结果，这也是gather可能的一个作用：

def cross\_entropy(logits, target):  
    batch\_size = logits.size(0)  
    log\_probs\_flat = functional.log\_softmax(logits)  
    losses\_flat = -torch.gather(log\_probs\_flat, dim=1, index=target)  
    loss = losses\_flat.sum() / batch\_size  
    return loss

\[[Pytorch中的torch.gather函数的含义][Pytorch_torch.gather]\]\[[pytorch之torch.gather方法][pytorch_torch.gather]\]

### torch.Tensor.view(\*args) 张量变形 ###

返回一个有相同数据但是不同形状的新的向量。

返回的装两必须与原张量有相同的数据和相同的元素个数，但是可以有不同的尺寸。

参数：

args (torch.Size or int....) - 理想的指定尺寸  
示例1：

x = torch.randn(4, 4)  
x.size()  
torch.Size(\[4, 4\])  
y = x.view(16)  
y.size()  
torch.Size(\[16\])

示例2：

embs = torch.Tensor(\[\[\[1, 2\], \[1, 2\]\], \[\[3, 4\], \[3, 4\]\], \[\[5, 6\], \[5, 6\]\]\])  
print(embs.size())  
embs = embs.view(embs.size(0), embs.size(1) \* embs.size(2))  
print(embs.size())  
torch.Size(\[3, 2, 2\])  
torch.Size(\[3, 4\])  
view和下面的resize最大的区别是，resize的张量不能是grad的：RuntimeError: cannot resize variables that require grad

### torch.Tensor.resize\_(\*sizes)重设张量尺寸 ###

将张量的尺寸调整为指定的大小。如果元素个数比当前的内存大小大，就将底层存储大小调整为与新元素数目一致的大小。  
如果元素个数比当前内存小，则底层存储不会被改变。原来张量中被保存下来的元素将保持不变，但新内存将不会被初始化。

参数：

sizes (torch.Size or int....) - 需要调整的大小  
例子：

x = torch.Tensor(\[\[1, 2\], \[3, 4\], \[5, 6\]\])  
x.resize\_(2, 2)  
x  
1 2  
3 4  
\[torch.FloatTensor of size 2x2\]

### 交换张量的维度 ###

### 二维张量交换torch.t(x)/tensor.t()/tensor.T ###

Expects input to be <= 2-D tensor and transposes dimensions 0 and 1.

\[[torch.t(input)][torch.t_input] → Tensor\]

torch.Tensor.t (Python method, in torch.Tensor)  
torch.Tensor.T (Python attribute, in torch.Tensor)

### 交换多维张量的两个维度torch.transpose()/tensor.transpose(dim0, dim1) ###

torch.transpose(input, dim0, dim1) → Tensor

输出和输入是共享内存的。

transpose中的两个维度参数的顺序是可以交换位置的，即transpose（x, 0, 1,) 和transpose（x, 1, 0）效果是相同的。

>>> x = torch.randn(2, 3)  
>>> x  
tensor(\[\[ 1.0028, -0.9893,  0.5809\],  
        \[-0.1669,  0.7299,  0.4942\]\])  
>>> torch.transpose(x, 0, 1)  
tensor(\[\[ 1.0028, -0.1669\],  
        \[-0.9893,  0.7299\],  
        \[ 0.5809,  0.4942\]\])

### torch.Tensor.permute(\*dims)置换张量维度 ###

将执行本方法的张量的维度换位。

参数：dim (int) - 指定换位顺序  
**例子：**

x = torch.randn(2, 3, 5)  
x.size()  
torch.Size(\[2, 3, 5\])  
x.permute(2, 0, 1).size()  
torch.Size(\[5, 2, 3\])

from: [\-柚子皮-][-_-]

ref: \[[张量维度操作（拼接、维度扩展、压缩、转置、重复……）][Link 1]\]

[-_-]: https://me.csdn.net/pipisorry
[stack]: https://pytorch.org/docs/stable/generated/torch.stack.html
[torch.unsqueeze_ _ torch.squeeze]: https://zhuanlan.zhihu.com/p/86763381
[flatten]: https://pytorch.org/docs/stable/generated/torch.flatten.html
[Pytorch_torch.gather]: https://blog.csdn.net/edogawachia/article/details/80515038
[pytorch_torch.gather]: https://blog.csdn.net/Lucky_Rocks/article/details/79676095
[torch.t_input]: https://pytorch.org/docs/stable/generated/torch.t.html
[Link 1]: https://zhuanlan.zhihu.com/p/31495102