前言

本文只討論二維三維中的permute用法

最近的Attention學習中的一個permute函數(shù)讓我不理解

這個光說太抽象

我就結(jié)合代碼與圖片解釋一下

首先創(chuàng)建一個三維數(shù)組小實例

import torch

x = torch.linspace(1, 30, steps=30).view(3,2,5)     # 設(shè)置一個三維數(shù)組
print(x)
print(x.size())				# 查看數(shù)組的維數(shù)

這里為了防止出現(xiàn)維數(shù)數(shù)值相同的巧合局面（例如三維數(shù)組（3,3,3）或者（2,4,4）等）

輸出結(jié)果如下圖

一般的把（3,2,5）解釋為3維2行5列這里很容易讓人迷迷糊糊

那么我們按照塊，行，列理解起來會更容易一些

比如(3,2,5),表示3塊 2*5的數(shù)組

以下我簡單用3塊3*3圖偷懶舉例

然后堆起來就是我們熟知的三維矩陣

接下來先簡單介紹下permute（）函數(shù)

permute（dims）
參數(shù)dims用矩陣的維數(shù)代入，一般默認從0開始。即第0維，第1維等等
也可以理解為，第0塊，第1塊等等。當然矩陣最少是兩維才能使用permute
如是兩維，dims分別為是0和1
可以寫成permute（0,1）這里不做任何變化，維數(shù)與之前相同
如果寫成permute（1,0）得到的就是矩陣的轉(zhuǎn)置
如果三維是permute(0,1,2)
0代表共有幾塊維度：本例中0對應(yīng)著3塊矩陣
1代表每一塊中有多少行：本例中1對應(yīng)著每塊有2行
2代表每一塊中有多少列：本例中2對應(yīng)著每塊有5列
所以是3塊2行5列的三維矩陣
這些0,1,2并沒有任何實際的意義，也不是數(shù)值，只是用來標識區(qū)別。有點類似于x，y，z來區(qū)分三個坐標維度，是人為規(guī)定好的
三維情況直接用下面的代碼來給大家講解

三維情況

變化一：不改變?nèi)魏螀?shù)

b = x.permute(0,1,2)            # 不改變維度
print(b)
print(b.size())

發(fā)現(xiàn)此時矩陣沒有變化，依然是按照之前的方式排列

變化二：1與2交換

b = x.permute(0,2,1)             # 每一塊的行與列進行交換，即每一塊做轉(zhuǎn)置行為
print(b)
print(b.size())

兩張圖片可以比較

在不改變每一塊（即）的前提下，對每一塊的行列進行對調(diào)（即二維矩陣的轉(zhuǎn)置）

變化三：0與1交換

b = x.permute(1,0,2)            # 交換塊和行
print(b)
print(b.size())

兩者比較可以看出塊數(shù)和每塊的行數(shù)發(fā)生了變化

即參數(shù)0對應(yīng)的數(shù)值3塊變成2塊

參數(shù)1對應(yīng)的2行變成3行

這個變化剛好是0與1 的位置交換，導致參數(shù)進行對調(diào)

此時變成了2塊 * 3行 * 5列（初始為3塊 * 2行 *5列）

變化四：0與2交換

b = x.permute(2,1,0)            # 交換塊和列
print(b)
print(b.size())

此時參數(shù)0對應(yīng)的3塊經(jīng)過permute已經(jīng)變成了5塊

參數(shù)2對應(yīng)的5列已經(jīng)變成了3列

變化五：0與1交換，1與2交換

b = x.permute(2,0,1)            # 交換塊和行和列
print(b)
print(b.size())

此時參數(shù)0對應(yīng)的3塊變成了5塊

參數(shù)1對應(yīng)的2行變成了3行

參數(shù)2對應(yīng)的5列變成了2列

變化六：0與1交換，0與2交換

b = x.permute(1,2,0)            # 交換塊和行和列
print(b)
print(b.size())

此時參數(shù)0對應(yīng)的3塊變成了2塊

參數(shù)1對應(yīng)的2行變成了5行

參數(shù)2對應(yīng)的5列變成了3列

總結(jié)

根據(jù)以上舉得二維和三維例子可以知道permute()函數(shù)其實是對矩陣的塊行列進行交換

里面的參數(shù)并不是具體數(shù)值

而是塊行列的代指

寫在最后

沒想隨手寫的一篇居然這么多讀者關(guān)注

我又在此篇文章的基礎(chǔ)上，詳細的解釋了維度變化過程

能夠更好的幫助大家理解permute函數(shù)的用法

進階文章請戳我

到此這篇關(guān)于pytorch中permute()函數(shù)用法的文章就介紹到這了,更多相關(guān)pytorch permute()函數(shù)用法內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論