很多小伙伴在學(xué)習(xí)計(jì)算機(jī)視覺的時(shí)候會(huì)遇到一些坑。小編對(duì)自己遇到的坑進(jìn)行了一個(gè)總結(jié)，前人栽坑，后人繞路，希望小伙伴們?cè)谧x完這篇pytorch總結(jié)后能避免這些坑。
1.pytorch中轉(zhuǎn)tensor
x=np.random.randint(10,100,(10,10,10))
x=TF.to_tensor(x)
print(x)這個(gè)函數(shù)會(huì)對(duì)輸入數(shù)據(jù)進(jìn)行自動(dòng)歸一化，比如有時(shí)候我們需要將0-255的圖片轉(zhuǎn)為numpy類型的數(shù)據(jù)，則會(huì)自動(dòng)轉(zhuǎn)為0-1之間
2.stack和cat之間的差別
stack
x=torch.randn((1,2,3))
y=torch.randn((1,2,3))
z=torch.stack((x,y))#默認(rèn)dim=0
print(z.shape)
#torch.Size([2, 1, 2, 3])所以stack的之后的數(shù)據(jù)也就很好理解了，z[0,...]的數(shù)據(jù)是x，z[1,...]的數(shù)據(jù)是y。
cat
z=torch.cat((x,y))
print(z.size())
#torch.Size([2, 2, 3])cat之后的數(shù)據(jù) z[0,:,:]是x的值，z[1,:,:]是y的值。
其中最關(guān)鍵的是stack之后的數(shù)據(jù)的size會(huì)多出一個(gè)維度，而cat則不會(huì)，有一個(gè)很簡單的例子來說明一下，比如要訓(xùn)練一個(gè)檢測(cè)模型，label是一些標(biāo)記點(diǎn)，eg：[x1,y1,x2,y2]
送入網(wǎng)絡(luò)的加上batchsize則時(shí)Size:[batchsize,4]，如果我已經(jīng)有了兩堆數(shù)據(jù),data1:Size[128,4],data2:Size[128,4]，需要將這兩個(gè)數(shù)據(jù)合在一起的話目標(biāo)data:Size[256,4]。
顯然我們要做的是：torch.cat((data1,data2))
如果我們的數(shù)據(jù)是這樣：有100個(gè)label，每一個(gè)label被放進(jìn)一個(gè)list(data)中,[[x1,y1,x2,y2],[x1,y1,x2,y2],...]其中data是一個(gè)list長度為100,而list中每一個(gè)元素是張圖片的標(biāo)簽，size為[4]我們需要將他們合一起成為一Size:[100,4]的的數(shù)據(jù)。
顯然我們要做的是torch.stack(data)。而且torch.stack的輸入?yún)?shù)為list類型！
補(bǔ)充：pytorch中的cat、stack、tranpose、permute、unsqeeze
pytorch中提供了對(duì)tensor常用的變換操作。
cat 連接
對(duì)數(shù)據(jù)沿著某一維度進(jìn)行拼接。cat后數(shù)據(jù)的總維數(shù)不變。
比如下面代碼對(duì)兩個(gè)2維tensor（分別為2*3,1*3）進(jìn)行拼接，拼接完后變?yōu)?*3還是2維的tensor。
代碼如下：
import torch
torch.manual_seed(1)
x = torch.randn(2,3)
y = torch.randn(1,3)
print(x,y)結(jié)果：
0.6614 0.2669 0.0617
0.6213 -0.4519 -0.1661
[torch.FloatTensor of size 2x3]
-1.5228 0.3817 -1.0276
[torch.FloatTensor of size 1x3]
將兩個(gè)tensor拼在一起：
torch.cat((x,y),0)結(jié)果：
0.6614 0.2669 0.0617
0.6213 -0.4519 -0.1661
-1.5228 0.3817 -1.0276
[torch.FloatTensor of size 3x3]
更靈活的拼法：
torch.manual_seed(1)
x = torch.randn(2,3)
print(x)
print(torch.cat((x,x),0))
print(torch.cat((x,x),1))結(jié)果
// x
0.6614 0.2669 0.0617
0.6213 -0.4519 -0.1661
[torch.FloatTensor of size 2x3]// torch.cat((x,x),0)
0.6614 0.2669 0.0617
0.6213 -0.4519 -0.1661
0.6614 0.2669 0.0617
0.6213 -0.4519 -0.1661
[torch.FloatTensor of size 4x3]// torch.cat((x,x),1)
0.6614 0.2669 0.0617 0.6614 0.2669 0.0617
0.6213 -0.4519 -0.1661 0.6213 -0.4519 -0.1661
[torch.FloatTensor of size 2x6]
stack，增加新的維度進(jìn)行堆疊
而stack則會(huì)增加新的維度。
如對(duì)兩個(gè)1*2維的tensor在第0個(gè)維度上stack，則會(huì)變?yōu)?*1*2的tensor；在第1個(gè)維度上stack，則會(huì)變?yōu)?*2*2的tensor。
見代碼：
a = torch.ones([1,2])
b = torch.ones([1,2])
c= torch.stack([a,b],0) // 第0個(gè)維度stack輸出：
(0 ,.,.) =
1 1(1 ,.,.) =
1 1
[torch.FloatTensor of size 2x1x2]
c= torch.stack([a,b],1) // 第1個(gè)維度stack輸出：
(0 ,.,.) =
1 1
1 1
[torch.FloatTensor of size 1x2x2]
transpose ，兩個(gè)維度互換
代碼如下：
torch.manual_seed(1)
x = torch.randn(2,3)
print(x)原來x的結(jié)果：
0.6614 0.2669 0.0617
0.6213 -0.4519 -0.1661
[torch.FloatTensor of size 2x3]
將x的維度互換
x.transpose(0,1)結(jié)果
0.6614 0.6213
0.2669 -0.4519
0.0617 -0.1661
[torch.FloatTensor of size 3x2]
permute，多個(gè)維度互換，更靈活的transpose
permute是更靈活的transpose，可以靈活的對(duì)原數(shù)據(jù)的維度進(jìn)行調(diào)換，而數(shù)據(jù)本身不變。
代碼如下：
x = torch.randn(2,3,4)
print(x.size())
x_p = x.permute(1,0,2) # 將原來第1維變?yōu)?維，同理，0→1,2→2
print(x_p.size())結(jié)果：
torch.Size([2, 3, 4])
torch.Size([3, 2, 4])
squeeze 和 unsqueeze
常用來增加或減少維度,如沒有batch維度時(shí)，增加batch維度為1。
squeeze(dim_n)壓縮，減少dim_n維度 ，即去掉元素?cái)?shù)量為1的dim_n維度。
unsqueeze(dim_n)，增加dim_n維度，元素?cái)?shù)量為1。
上代碼：
# 定義張量
import torch
b = torch.Tensor(2,1)
b.shape
Out[28]: torch.Size([2, 1])
# 不加參數(shù)，去掉所有為元素個(gè)數(shù)為1的維度
b_ = b.squeeze()
b_.shape
Out[30]: torch.Size([2])
# 加上參數(shù)，去掉第一維的元素為1，不起作用，因?yàn)榈谝痪S有2個(gè)元素
b_ = b.squeeze(0)
b_.shape
Out[32]: torch.Size([2, 1])
# 這樣就可以了
b_ = b.squeeze(1)
b_.shape
Out[34]: torch.Size([2])
# 增加一個(gè)維度
b_ = b.unsqueeze(2)
b_.shape
Out[36]: torch.Size([2, 1, 1])上面的pytorch總結(jié)是小編自身犯過的錯(cuò)誤和收集的網(wǎng)友犯過的錯(cuò)誤以及解決方案，希望能給大家一個(gè)參考，也希望大家多多支持W3Cschool。
