查看tensor

x.shape # 尺寸
x.size() # 形狀
x.ndim # 維數(shù)

例如

import torch
parser = argparse.ArgumentParser(description='PyTorch')
parser.add_argument('--img_w', default=144, type=int, metavar='imgw', help='img width')
parser.add_argument('--img_h', default=288, type=int, metavar='imgh', help='img height')
parser.add_argument('--batch-size', default=32, type=int,metavar='B', help='training batch size')
parser.add_argument('--test-batch', default=64, type=int, metavar='tb', help='testing batch size')
 
class net(nn.Module):
 def __init__(self, arch='resnet18'):
 super(net, self).__init__()
 model_ft = models.resnet50(pretrained=True)
 self.visible = model_ft
 
 def forward(self, x):
 print(x.shape)
 print(x.size())
 print(x.ndim)
 
 input = self.visible.conv1(x)
 
 print(input.shape)
 print(input.size())
 print(input.ndim)

從左至右起，32表示訓(xùn)練集batch_size大小，3是圖像通道數(shù)，288是圖像高度，144是圖像寬度，圖像尺寸 288*144，維度個(gè)數(shù)是4。很多博客在介紹論文時(shí)候，沒(méi)有準(zhǔn)確表達(dá)這些參數(shù)名稱，往往出現(xiàn)張冠李戴，導(dǎo)致讀者后續(xù)使用過(guò)程中被老師ma

經(jīng)過(guò)標(biāo)準(zhǔn)resnet50第一層卷積后，結(jié)果是：32表示訓(xùn)練集batch_size大小，64是圖像通道數(shù)，72是圖像高度，36是圖像寬度，圖像尺寸72*36，維數(shù)是4

補(bǔ)充知識(shí)：pytorch中與維度/變換相關(guān)的幾個(gè)函數(shù)

torch.size ()

先說(shuō)torch.size()函數(shù)，因?yàn)楹竺娴姆椒ǘ紩?huì)用這個(gè)方法看到變換后的矩陣的維度

通過(guò)該方法，可以查看當(dāng)前Tensor的維度，用法也很簡(jiǎn)單：

>>>import torch
>>>a = torch.Tensor([[[1, 2, 3], [4, 5, 6]]])
>>>a.size()
torch.Size([1, 2, 3])

torch.view()

官方文檔中的解釋：

簡(jiǎn)單說(shuō)，把原本的tensor尺寸，轉(zhuǎn)變?yōu)槟阆胍某叽?，例如原尺寸?3，現(xiàn)在可以轉(zhuǎn)為32或16等，但一定要保證等式成立，不能目標(biāo)尺寸為33

此外，也可以設(shè)其中一個(gè)尺寸為-1，表示機(jī)器內(nèi)部自己計(jì)算，但同時(shí)只能有一個(gè)為-1，用法如下：

>>> b=a.view(-1, 3, 2)
>>> b
tensor([[[1., 2.],
  [3., 4.],
  [5., 6.]]])
>>> b.size()
torch.Size([1, 3, 2])

torch.squeeze() / torch.unsqueeze()

torch.squeeze(n)函數(shù)表示壓縮tensor中第n維為1的維數(shù)，比如下面第一個(gè)，b.squeeze(2).size()，原始的b為上面的torch.Size([1, 3, 2])，第二維是2≠1，所以不壓縮，尺寸保持不變；而若b.squeeze(0).size()，則發(fā)現(xiàn)第一維為1，因此壓縮為3x2的tensor

>>> b.squeeze(2).size()
torch.Size([1, 3, 2])
>>> b.squeeze(0).size()
torch.Size([3, 2])

相反的，torch.unsqueeze(n)則是在第n維增加一個(gè)維數(shù)=1，如下，表示在原始的b的第二維增加一維，則尺寸變?yōu)? * 3 * 1 * 2

>>> b.unsqueeze(2).size()
torch.Size([1, 3, 1, 2])
>>> b.unsqueeze(2)
tensor([[[[1., 2.]],

  [[3., 4.]],

  [[5., 6.]]]])

torch.permute()

這個(gè)函數(shù)表示，將原始的tensor，按照自己期望的位置重新排序，例如原始tensor的第0、1、2維分別是1、3、2，那么當(dāng)我執(zhí)行permute(2, 0, 1)，則將第三維放在最前，第一維放在中間，第二維放在最后，也就變成了2 * 1 * 3，注意這里表示的維數(shù)的index，而不是具體幾維：

>>> b.permute(2, 0, 1).size()
torch.Size([2, 1, 3])
>>> b.permute(2, 0, 1)
tensor([[[1., 3., 5.]],

 [[2., 4., 6.]]])

暫時(shí)只想到這些，若有錯(cuò)誤還請(qǐng)指正，或有其他相關(guān)函數(shù)，我也將持續(xù)更新。

以上這篇pytorch查看通道數(shù) 維數(shù) 尺寸大小方式就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

最新評(píng)論