transpose()和permute()

在pytorch中转置用的函数就只有这两个：transpose()和permute()，本文将详细地介绍这两个函数以及它们之间的区别。

 transpose()

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

函数返回输入矩阵input的转置。交换维度dim0和dim1

参数:

• input (Tensor) – 输入张量，必填
• dim0 (int) – 转置的第一维，默认0，可选
• dim1 (int) – 转置的第二维，默认1，可选

注意只能有两个相关的交换的位置参数。

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()

参数：
dims (int…*)-换位顺序，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与permute的异同

• permute相当于可以同时操作于tensor的若干维度，transpose只能同时作用于tensor的两个维度；
• torch.transpose(x)合法， x.transpose()合法。torch.permute(x)不合法，x.permute()合法。
• 与contiguous、view函数之关联。contiguous：view只能作用在contiguous的variable上，如果在view之前调用了transpose、permute等，就需要调用contiguous()来返回一个contiguous copy；一种可能的解释是：有些tensor并不是占用一整块内存，而是由不同的数据块组成，而tensor的view()操作依赖于内存是整块的，这时只需要执行contiguous()这个函数，把tensor变成在内存中连续分布的形式；判断ternsor是否为contiguous，可以调用torch.Tensor.is_contiguous()函数:

  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()，与 numpy.reshape() 的功能类似，大致相当于 tensor.contiguous().view()，这样就省去了对tensor做view()变换前，调用contiguous()的麻烦；