首页 文章

Pytorch重塑张量维度

提问于
浏览 次
18

例如，我有1维向量的维度（5） . 我想将其重塑为2D矩阵（1,5） .

这是我如何用numpy做的

>>> 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]])
>>>

但是我怎么能用Pytorch Tensor（和Variable）做到这一点 . 我不想切换回numpy并再次切换到Torch变量，因为它会丢失反向传播信息 .

这是我在Pytorch中所拥有的

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

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

>>> a.size()
(5L,)
>>> a_var = variable(a)
>>> a_var = Variable(a)
>>> a_var.size()
(5L,)
.....do some calculation in forward function
>>> a_var.size()
(5L,)

现在我希望它的大小为（1,5） . 如何在不丢失梯度信息的情况下调整变量张量的大小或重新整形 . （因为我会在向后进入另一个模型）

python numpy deep-learning pytorch tensor

6 回答

  • 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]
    回复于
  • 4

    你可能会用

    a.view(1,5)
Out: 

 1  2  3  4  5
[torch.FloatTensor of size 1x5]
    回复于
  • 12

    或者您可以使用它，' - 1表示您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]
    回复于
  • 13

    对于张量的就地修改，你一定要使用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，如果在操作结束时有一个下划线（如 tensor.resize_() ），那么该操作会对原始张量进行 in-place 修改 .

    此外，您只需在割炬张量中使用 np.newaxis 来增加尺寸 . 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])
    回复于
  • 2

    这个问题已经得到了彻底的解答，但是我想为经验较少的python开发人员添加一些，你可能会发现 * 运算符与 view() 一起使用是有帮助的 .

    例如，如果您有一个特定的张量大小，您希望不同的张量数据符合，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)
    回复于
  • 4
    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'
    回复于

相关问题