如何将形状 (3, 1, 2) 的 3D 张量重塑为 (1, 2, 3)

Question

我打算

(Pdb) aa = torch.tensor([[[1,2]], [[3,4]], [[5,6]]])
(Pdb) aa.shape
torch.Size([3, 1, 2])
(Pdb) aa
tensor([[[ 1,  2]],

        [[ 3,  4]],

        [[ 5,  6]]])
(Pdb) aa.view(1, 2, 3)
tensor([[[ 1,  2,  3],
         [ 4,  5,  6]]])

但我真正想要的是

tensor([[[ 1,  3,  5],
         [ 2,  4,  6]]])

如何？

在我的应用程序中，我试图将形状为 (L, N, C_in) 的输入数据转换为 (N, C_in, L) 以便使用 Conv1d，其中

L：序列长度
N：批量大小
C_in：输入的通道数，我也理解为输入在一个序列的每个位置的维数。

我还想知道 Conv1d 的输入与 GRU 的输入形状不同吗？

Answer 1

这是一种方法，还是希望能看到一次操作的解决方案。

(Pdb) torch.transpose(aa, 0, 2).t()
tensor([[[ 1,  3,  5],
         [ 2,  4,  6]]])
(Pdb) torch.transpose(aa, 0, 2).t().shape
torch.Size([1, 2, 3])

Answer 2

可以permute the axes to the desired shape. (This is similar to numpy.moveaxis()操作）。

In [90]: aa
Out[90]: 
tensor([[[ 1,  2]],

        [[ 3,  4]],

        [[ 5,  6]]])

In [91]: aa.shape
Out[91]: torch.Size([3, 1, 2])

# pass the desired ordering of the axes as argument
# assign the result back to some tensor since permute returns a "view"
In [97]: permuted = aa.permute(1, 2, 0)

In [98]: permuted.shape
Out[98]: torch.Size([1, 2, 3])

In [99]: permuted
Out[99]: 
tensor([[[ 1,  3,  5],
         [ 2,  4,  6]]])

如何将形状 (3, 1, 2) 的 3D 张量重塑为 (1, 2, 3)

How reshape 3D tensor of shape (3, 1, 2) to (1, 2, 3)

python

reshape

deep-learning

pytorch

tensor