在PyTorch中，movedim、transpose 和 permute這三個(gè)操作都可以用來(lái)重新排列張量（tensor）的維度，它們功能相似卻又有所不同。

movedim

🔗 torch.movedim

• 用途：將張量的一個(gè)或多個(gè)維度移動(dòng)到新的位置。
• 參數(shù)：需要指定要移動(dòng)的維度和目標(biāo)位置。
• 特點(diǎn)：
  • 可以移動(dòng)單個(gè)或多個(gè)維度。
  • 可以指定移動(dòng)后的維度順序。
  • 移動(dòng)維度時(shí)，不會(huì)改變其他維度的相對(duì)順序。

movedim 的重點(diǎn)是移動(dòng)維度到指定位置，而transpose的重點(diǎn)是交換兩個(gè)維度，這是它們之間最顯著的區(qū)別，此外movedim還可以移動(dòng)多個(gè)維度。

>>> x = torch.randint(1,100,(1,2,3,4))
>>> x
tensor([[[[58,  1, 62, 12],[65, 99, 20, 15],[95,  6, 54, 67]],[[92, 62, 97, 15],[17, 19, 70, 48],[17, 90, 76, 96]]]])
>>> x.shape
torch.Size([1, 2, 3, 4])
>>> ## 移動(dòng)單個(gè)維度
>>> x.movedim(0,3).shape    # 把原tensor中的dim0移動(dòng)到dim3
torch.Size([2, 3, 4, 1])
>>> x.transpose(0,3).shape  # 交換dim-0 和 dim-3
torch.Size([4, 2, 3, 1])
>>> 
>>> ## 同時(shí)移動(dòng)多個(gè)維度
>>>> x.movedim((0,2),(1,3)).shape # 把原tensor中的dim0移動(dòng)到dim1， dim2移動(dòng)到dim3
torch.Size([2, 1, 4, 3])
>>> x.movedim((0,1),(1,2)).shape  # 把原tensor中的dim0移動(dòng)到dim1， dim1移動(dòng)到dim2
torch.Size([3, 1, 2, 4])

總結(jié)

• movedim是把指定維度移動(dòng)到新的維度位置，其他未移動(dòng)的的維度保持相對(duì)位置不變。
• 對(duì)于 source_tensor.movedim(d1, d2):
  • 如果 d1,d2 是連續(xù)的，則效果等同于 source_tensor.transpos(d1, d2)
  • 如果 d1 < d2，則移動(dòng)后，原始維度中（d1, d2] 范圍內(nèi)的維度左移一位；
  • 如果 d1 > d2，則移動(dòng)后，原始維度中（d1, d2] 范圍內(nèi)的維度右移一位；

transpose

🔗 torch.transpose

• 用途：交換張量的兩個(gè)維度。
• 參數(shù)：需要指定要交換的兩個(gè)維度的索引。
• 特點(diǎn)：
  • 只能交換兩個(gè)維度。
  • 對(duì)于2D張量，相當(dāng)于矩陣的轉(zhuǎn)置。
  • 對(duì)于高維張量，只能進(jìn)行一次交換。

>>> x = torch.randint(2,300,(2,3,4))
>>> x
tensor([[[ 23, 266, 112, 126],[176, 290, 291, 134],[155, 214, 238, 208]],[[ 20, 270, 192, 254],[ 59, 120,  47,   5],[247, 173,  94,  28]]])
>>> x.transpose(0,2).shape
torch.Size([4, 3, 2])
>>> x.transpose(0,2)
tensor([[[ 23,  20],[176,  59],[155, 247]],[[266, 270],[290, 120],[214, 173]],[[112, 192],[291,  47],[238,  94]],[[126, 254],[134,   5],[208,  28]]])

總結(jié)

• torch.transpose 是用于交換兩個(gè)維度，且只能交換兩個(gè)維度。
• torch.permute 可以交換多個(gè)維度

permute

🔗torch.permute

• 用途：重新排列張量的所有維度。
• 參數(shù)：需要提供一個(gè)維度索引的排列。
• 特點(diǎn)：
  • 可以重新排列所有維度的順序。
  • 參數(shù)是一個(gè)包含所有維度索引的元組，且每個(gè)索引只能出現(xiàn)一次。

>>> x = torch.randint(2,300,(2,3,4))
>>> x
tensor([[[158, 169,  28,  85],[212,  14, 265, 119],[  6, 201, 221, 145]],[[114, 209, 272, 232],[ 46, 179, 121, 296],[ 89,  76, 142, 185]]])
>>> x.shape
torch.Size([2, 3, 4])
>>> x.permute(2,0,1).shape  # 表示：原tensor的dim2放到輸出tensor的dim0,dim0放到dim1,dim1放到dim2。
torch.Size([4, 2, 3])

異同點(diǎn)

相同點(diǎn)：

• 都用于改變張量的維度順序。
• 都不會(huì)改變張量中的數(shù)據(jù)，只是改變了數(shù)據(jù)的布局。

不同點(diǎn)：

• transpose僅限于交換兩個(gè)維度，而movedim和permute可以處理多個(gè)維度。
• permute需要指定所有維度的排列順序，而movedim只需要指定要移動(dòng)的維度和目標(biāo)位置。
• movedim在移動(dòng)維度時(shí)，其他維度的相對(duì)順序保持不變，而permute會(huì)根據(jù)提供的排列順序完全重新排列所有維度。