在PyTorch中tensor.permute和tensor.view有什么区别？

Question

tensor.permute()和tensor.view()有什么区别？

他们似乎在做同样的事情。

Answer 1

输入

In [12]: aten = torch.tensor([[1, 2, 3], [4, 5, 6]])

In [13]: aten
Out[13]: 
tensor([[ 1,  2,  3],
        [ 4,  5,  6]])

In [14]: aten.shape
Out[14]: torch.Size([2, 3])

torch.view()将张量重塑为不同但兼容的形状。例如，我们的输入张量aten的形状为(2, 3)。这可以被看作是形状(6, 1)、(1, 6)等的张量，

# reshaping (or viewing) 2x3 matrix as a column vector of shape 6x1
In [15]: aten.view(6, -1)
Out[15]: 
tensor([[ 1],
        [ 2],
        [ 3],
        [ 4],
        [ 5],
        [ 6]])

In [16]: aten.view(6, -1).shape
Out[16]: torch.Size([6, 1])

或者，也可以将其重塑或_view_ed为形状(1, 6)的行向量，如下所示：

In [19]: aten.view(-1, 6)
Out[19]: tensor([[ 1,  2,  3,  4,  5,  6]])

In [20]: aten.view(-1, 6).shape
Out[20]: torch.Size([1, 6])

而tensor.permute()仅用于交换轴。下面的示例将使事情变得清晰：

In [39]: aten
Out[39]: 
tensor([[ 1,  2,  3],
        [ 4,  5,  6]])

In [40]: aten.shape
Out[40]: torch.Size([2, 3])

# swapping the axes/dimensions 0 and 1
In [41]: aten.permute(1, 0)
Out[41]: 
tensor([[ 1,  4],
        [ 2,  5],
        [ 3,  6]])

# since we permute the axes/dims, the shape changed from (2, 3) => (3, 2)
In [42]: aten.permute(1, 0).shape
Out[42]: torch.Size([3, 2])

您还可以使用负索引来执行与中相同的操作：

In [45]: aten.permute(-1, 0)
Out[45]: 
tensor([[ 1,  4],
        [ 2,  5],
        [ 3,  6]])

In [46]: aten.permute(-1, 0).shape
Out[46]: torch.Size([3, 2])

Answer 2

视图改变了张量的表示方式。对于ex:有4个元素的张量可以表示为4X1、2X2或1X4，但置换会改变轴。在置换时，数据会被移动，但使用视图时，数据不会移动，而只是重新解释。

下面的代码示例可能会对您有所帮助。a是2x2张量/矩阵。通过使用视图，您可以将a读取为列或行向量(张量)。但你不能转置它。要进行转置，需要进行置换。转置是通过交换/置换轴来实现的。

In [7]: import torch

In [8]: a = torch.tensor([[1,2],[3,4]])

In [9]: a
Out[9]: 
tensor([[ 1,  2],
        [ 3,  4]])

In [11]: a.permute(1,0)
Out[11]: 
tensor([[ 1,  3],
        [ 2,  4]])

In [12]: a.view(4,1)
Out[12]: 
tensor([[ 1],
        [ 2],
        [ 3],
        [ 4]])

In [13]: 

额外好处:请参阅https://twitter.com/karpathy/status/1013322763790999552

Answer 3

tensor.permute()排列张量轴的顺序。

tensor.view()通过减小/扩展每个维度的大小来重塑张量(类似于numpy.reshape) (如果一个维度增加，其他维度必须减少)。