transpose()和permute()

在pytorch中轉置用的函數就只有這兩個：transpose()和permute()，本文將詳細地介紹這兩個函數以及它們之間的區別。

 transpose()

torch.transpose(input, dim0, dim1, out=None) → Tensor

函數返回輸入矩陣input的轉置。交換維度dim0和dim1

參數:

• input (Tensor) – 輸入張量，必填
• dim0 (int) – 轉置的第一維，默認0，可選
• dim1 (int) – 轉置的第二維，默認1，可選

注意只能有兩個相關的交換的位置參數。

例子：

>>> 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]])

 

permute()

參數：
dims (int…*)-換位順序，必填

 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])

　

transpose與permute的異同

• permute相當於可以同時操作於tensor的若干維度，transpose只能同時作用於tensor的兩個維度；
• torch.transpose(x)合法， x.transpose()合法。torch.permute(x)不合法，x.permute()合法。
• 與contiguous、view函數之關聯。contiguous：view只能作用在contiguous的variable上，如果在view之前調用了transpose、permute等，就需要調用contiguous()來返回一個contiguous copy；一種可能的解釋是：有些tensor並不是占用一整塊內存，而是由不同的數據塊組成，而tensor的view()操作依賴於內存是整塊的，這時只需要執行contiguous()這個函數，把tensor變成在內存中連續分布的形式；判斷ternsor是否為contiguous，可以調用torch.Tensor.is_contiguous()函數:

  import torch 
  x = torch.ones(10, 10) 
  x.is_contiguous()                                 # True 
  x.transpose(0, 1).is_contiguous()                 # False
  x.transpose(0, 1).contiguous().is_contiguous()    # True
  

  　　另：在pytorch的最新版本0.4版本中，增加了torch.reshape()，與 numpy.reshape() 的功能類似，大致相當於 tensor.contiguous().view()，這樣就省去了對tensor做view()變換前，調用contiguous()的麻煩；