张量形状操作

往日情怀酿作酒yx

于 2025-07-13 20:27:41 发布

阅读量820

点赞数 15

CC 4.0 BY-SA版权

分类专栏： AI大模型基础文章标签：人工智能

本文链接：https://blog.csdn.net/weixin_74178589/article/details/149314814

AI大模型基础专栏收录该内容

31 篇文章

订阅专栏

一.前言

在深度学习中，张量的的形状操作是十分重要的，主要是掌握reshape, transpose, permute, view, contigous, squeeze, unsqueeze等函数使⽤。

在我们后⾯搭建⽹络模型时，数据都是基于张量形式的表示，⽹络层与层之间很多都是以不同的 shape 的⽅式进⾏表现和运算，我们需要掌握对张量形状的操作，以便能够更好处理⽹络各层之间的数据连接。

二.reshape函数的用法

reshape 函数可以在保证张量数据不变的前提下改变数据的维度，将其转换成指定的形状，在后⾯的神经⽹络学习时，会经常使⽤该函数来调节数据的形状，以适配不同⽹络层之间的数据传递。

import torch
import numpy as np


def test():
    data = torch.tensor([[10, 20, 30], [40, 50, 60]])
    # 1. 使⽤ shape 属性或者 size ⽅法都可以获得张量的形状
    print(data.shape, data.shape[0], data.shape[1])
    print(data.size(), data.size(0), data.size(1))
    # 2. 使⽤ reshape 函数修改张量形状
    new_data = data.reshape(1, 6)
    print(new_data.shape)

if __name__ == '__main__':
    test()

结果展示：

torch.Size([2, 3]) 2 3
torch.Size([2, 3]) 2 3
torch.Size([1, 6])

三.transpose和permute函数的使用

transpose 函数可以实现交换张量形状的指定维度, 例如: ⼀个张量的形状为 (2, 3, 4) 可以通过 transpose 函数把 3 和 4 进⾏交换, 将张量的形状变为 (2, 4, 3)

permute 函数可以⼀次交换更多的维度。

import torch
import numpy as np


def test():
    data = torch.tensor(np.random.randint(0, 10, [3, 4, 5]))
    print('data shape:', data.size())
    # 1. 交换1和2维度
    new_data = torch.transpose(data, 1, 2)
    print('data shape:', new_data.size())
    # 2. 将 data 的形状修改为 (4, 5, 3)
    new_data = torch.transpose(data, 0, 1)
    new_data = torch.transpose(new_data, 1, 2)
    print('new_data shape:', new_data.size())
    # 3. 使⽤ permute 函数将形状修改为 (4, 5, 3)
    new_data = torch.permute(data, [1, 2, 0])
    print('new_data shape:', new_data.size())


if __name__ == '__main__':
    test()

结果展示：

data shape: torch.Size([3, 4, 5])
data shape: torch.Size([3, 5, 4])
new_data shape: torch.Size([4, 5, 3])
new_data shape: torch.Size([4, 5, 3])

四.view 和 contigous 函数的用法

view 函数也可以⽤于修改张量的形状，但是其⽤法⽐较局限，只能⽤于存储在整块内存中的张量。在 PyTorch 中，有些张量是由不同的数据块组成的，它们并没有存储在整块的内存中，view 函数⽆法对这样的张量进⾏变形处理，例如: ⼀个张量经过了 transpose 或者 permute 函数的处理之后，就⽆法使⽤ view 函数进⾏形状操作。

import torch
import numpy as np

def test():
    data = torch.tensor([[10, 20, 30], [40, 50, 60]])
    print('data shape:', data.size())
    # 1. 使⽤ view 函数修改形状
    new_data = data.view(3, 2)
    print('new_data shape:', new_data.shape)
    # 2. 判断张量是否使⽤整块内存
    print('data:', data.is_contiguous())  # True
    # 3. 使⽤ transpose 函数修改形状
    new_data = torch.transpose(data, 0, 1)
    print('new_data:', new_data.is_contiguous())  # False
    # new_data = new_data.view(2, 3)  # RuntimeError
    # 需要先使⽤ contiguous 函数转换为整块内存的张量，再使⽤ view 函数
    print(new_data.contiguous().is_contiguous())
    new_data = new_data.contiguous().view(2, 3)
    print('new_data shape:', new_data.shape)

if __name__ == '__main__':
    test()

data shape: torch.Size([2, 3])
new_data shape: torch.Size([3, 2])
data: True
new_data: False
True
new_data shape: torch.Size([2, 3])

五.squeeze和unsqueeze函数的用法

squeeze 函数⽤删除 shape 为 1 的维度，unsqueeze 在每个维度添加 1, 以增加数据的形状。

import torch
import numpy as np


def test():
    data = torch.tensor(np.random.randint(0, 10, [1, 3, 1, 5]))
    print('data shape:', data.size())
    # 1. 去掉值为1的维度
    new_data = data.squeeze()
    print('new_data shape:', new_data.size())  # torch.Size([3, 5])
    # 2. 去掉指定位置为1的维度，注意: 如果指定位置不是1则不删除
    new_data = data.squeeze(2)
    print('new_data shape:', new_data.size())  # torch.Size([3, 5])
    # 3. 在2维度增加⼀个维度
    new_data = data.unsqueeze(-1)
    print('new_data shape:', new_data.size())  # torch.Size([3, 1, 5, 1])

if __name__ == '__main__':
    test()

data shape: torch.Size([1, 3, 1, 5])
new_data shape: torch.Size([3, 5])
new_data shape: torch.Size([1, 3, 5])
new_data shape: torch.Size([1, 3, 1, 5, 1])