Pytorch Umformen tensor dimension

Ich habe zum Beispiel 1D-Vektor mit dimension (5). Ich möchte Form in 2D-matrix (1,5).

Hier ist, wie ich es mit numpy

>>> 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]])
>>>

Aber wie kann ich das machen mit Pytorch Tensor (und Variable). Ich will nicht zurück zu schalten, um numpy und wechseln Sie auf Fackel-variable wieder, denn es wird ein Verlust backpropagation Informationen.

Hier ist, was ich in Pytorch

>>> 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,)

Nun will ich es Größe zu sein (1, 5).
Wie kann ich die Größe ändern oder Umformen, die dimension der pytorch tensor in Variable ohne Verlust grad Informationen. (weil ich Futter in ein anderes Modell vor rückwärts)

InformationsquelleAutor der Frage Haha TTpro | 2017-04-10

  1. 12

    könnten Sie

    a.view(1,5)
Out: 

 1  2  3  4  5
[torch.FloatTensor of size 1x5]

    InformationsquelleAutor der Antwort Lelik

  2. 12

    Verwenden Fackel.unsqueeze(input, dim, aus=Keine)

    >>> 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]

    InformationsquelleAutor der Antwort Haha TTpro

  3. 4

    oder Sie können diese verwenden, die '-1' bedeutet, dass Sie nicht haben, um geben Sie die Anzahl der Elemente.

    In [3]: a.view(1,-1)
Out[3]:

 1  2  3  4  5
[torch.FloatTensor of size 1x5]

    InformationsquelleAutor der Antwort Mou Cai

  4. 3

    Für in-place - änderung der tensor, sollten Sie auf jeden Fall nutzen
    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])

    In PyTorch, wenn es ein Unterstrich am Ende einer operation (wie tensor.resize_()) dann, dass die operation nicht in-place Modifikation der ursprünglichen tensor.

    Können, können Sie auch einfach verwenden np.newaxis im Brenner Tensor zur Erhöhung der dimension. Hier ist ein Beispiel:

    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])

    InformationsquelleAutor der Antwort kmario23

  5. 2

    Diese Frage wurde ausführlich bereits beantwortet, aber ich möchte hinzufügen für den weniger erfahrenen python-Entwickler, finden Sie vielleicht die * Betreiber hilfreich in Verbindung mit view().

    Zum Beispiel, wenn Sie einen bestimmten tensor-Größe, die Sie möchten einen anderen tensor der Daten zu entsprechen, könnten Sie versuchen:

    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)

    Diese arbeiten mit numpy shape zu:

    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)

    InformationsquelleAutor der Antwort saetch_g

Schreibe einen Kommentar