Tensor变形操作: reshape, transpose, squeeze等

携手创作，共同成长！这是我参与「掘金日新计划 · 8 月更文挑战」的第20天，上一篇文章中，我们介绍了Tensor的张量裁剪、索引与数据筛选、组合与拼接、切片

今天，我们来介绍tensor的变形、填充&傅里叶变换、pytorch的简单编程技巧，模型的保存/加载，并行化、分布式、Tensor on GPU、Tensor的相关配置、Tensor与numpy的相互转换

$5.5Tensor的变形操作$

• 5.5.1 reshape

a = torch.rand(2, 3)

print(a)
out = torch.reshape(a, (3, 2))

print(out)

运行结果：

tensor([[0.9006, 0.8852, 0.0825],
        [0.2824, 0.4937, 0.2282]])
tensor([[0.9006, 0.8852],
        [0.0825, 0.2824],
        [0.4937, 0.2282]])

• 5.5.2 t转置

print(torch.t(out))

运行结果：

tensor([[0.9006, 0.0825, 0.4937],
        [0.8852, 0.2824, 0.2282]])

• 5.5.3 transpose维度交换

a = torch.rand(1, 2, 3)
out = torch.transpose(a, 0, 1)
print(out)
print(out.shape)

运行结果：

tensor([[[0.0769, 0.2295, 0.0159]],

        [[0.1029, 0.4743, 0.7617]]])
torch.Size([2, 1, 3])

• 5.5.4 squeeze

out = torch.squeeze(a)
print(out)
print(out.shape)

运行结果：

tensor([[0.0769, 0.2295, 0.0159],
        [0.1029, 0.4743, 0.7617]])
torch.Size([2, 3])

• 5.5.5 unsqueeze

out = torch.unsqueeze(a, -1)
print(out.shape)

-1就是在最后一个维度上进行扩展

运行结果：

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

• 5.5.6 unbind

out = torch.unbind(a, dim=1)

print(out)

运行结果：

(tensor([[0.0769, 0.2295, 0.0159]]), tensor([[0.1029, 0.4743, 0.7617]]))

• 5.5.7 filp

print(a)
print(torch.flip(a, dims=[2, 1]))

先对第二个维度进行filp，再对第一个维度进行filp

运行结果：

tensor([[[0.0769, 0.2295, 0.0159],
         [0.1029, 0.4743, 0.7617]]])
tensor([[[0.7617, 0.4743, 0.1029],
         [0.0159, 0.2295, 0.0769]]])

• 5.5.8 rot90

旋转90度，默认是逆时针旋转

print(a)
out = torch.rot90(a)
print(out)
print(out.shape)

运行结果：

tensor([[[0.0769, 0.2295, 0.0159],
         [0.1029, 0.4743, 0.7617]]])
tensor([[[0.1029, 0.4743, 0.7617]],

        [[0.0769, 0.2295, 0.0159]]])
torch.Size([2, 1, 3])

$5.6Tensor的填充操作、频谱操作$

• 5.6.1 填充操作

填充也是我们在进行网络设计经常用到的方式，尤其是在定义中间变量的时候经常会采用这种方式。

a = torch.full((2,3), 10)
print(a)

运行结果：

tensor([[10, 10, 10],
        [10, 10, 10]])

• 5.6.2 频谱操作

频谱操作在解决计算机视觉的时候是用不到的，主要用在云信号的解析，将时域变化的信号转化到频域的时候，会用到频谱分析的操作

利用这些这几个函数可以完成对云信号的转换以及相关的频谱分析

$5.7Pytorch简单的编程技巧$

• 5.7.1 模型保存/加载

• torch.saves(state, dir)保存/序列化

• torch.load(dir) 加载模型

这是我们在进行深度学习模型搭建的时候经常会用到的方法，我们需要保存模型训练的参数，也就是当前图的状态，然后利用我们训练出来的参数进行后续的逻辑运算，也就是推理（inference）的过程。

• 5.7.2 并行化

• 5.7.2 分布式

• 5.7.3 Tensor on GPU

一般情况下，在进行数据处理的时候会放在CPU上，在进行模型训练的时候会放在GPU上

• 5.7.4 Tensor的相关配置

• 5.7.5 Tensor与numpy的相互转换

• torch.from_numpy(ndarry) 利用一个numpy的数据对pytorch中的一个Tensor进行初始化

• a.numpy 将tensor转换成numpy的变化

代码实现

a = np.zeros([2, 2])
out = torch.from_numpy(a)
print(out)

运行结果：

tensor([[0., 0.],
        [0., 0.]], dtype=torch.float64)

在深度学习中，比较常见的就是读取一张图片，然后将它转换成一个张量，在进行后续的一个推理

代码实现：

在打印图片的时候加上cv2.waitKey(0)，对话框才会被弹出来

data = cv2.imread("test.png")

print(data)
cv2.imshow("test1", data)
cv2.waitKey(0)

运行结果

利用之前介绍的slip函数对图片进行翻转：

out = torch.from_numpy(data)
out = torch.flip(out, dims=[0])
data = out.numpy()
cv2.imshow("test2", data)
cv2.waitKey(0)

把图片处理的放到GPU上来进行运算，对于GPU上的数据是没有办法直接获取转换成numpy格式的数据的，所以还得转换回来

out = torch.from_numpy(data)

out = out.to(torch.device("cuda"))
print(out.is_cuda)

out = torch.flip(out, dims=[0])

out = out.to(torch.device("cpu"))
print(out.is_cuda)

data = out.numpy()
cv2.imshow("test2", data)
cv2.waitKey(0)