详细分析Pytorch中的transpose基本知识（附Demo）| 对比 permute

前言

原先的permute推荐阅读：详细分析Pytorch中的permute基本知识（附Demo）

1. 基本知识

transpose 是 PyTorch 中用于交换张量维度的函数，特别是用于二维张量（矩阵）的转置操作，常用于线性代数运算、深度学习模型的输入和输出处理等

基本知识如下

• 功能：交换张量的两个维度
• 输入：一个张量和两个要交换的维度的索引
• 输出：具有新维度顺序的张量

原理分析如下：
transpose 的核心原理是通过交换指定维度的方式改变张量的形状
例如，对于一个二维张量 (m, n)，调用 transpose(0, 1) 会返回一个形状为 (n, m) 的新张量，其元素顺序经过了调整

• 高维张量： 对于高维张量，transpose 只会影响指定的两个维度，而其他维度保持不变
• 内存视图：与 permute 类似，transpose 返回的是原始张量的一个视图，不会进行数据复制

2. Demo

示例 1: 基本用法

import torch# 创建一个 3x4 的矩阵
matrix = torch.randn(3, 4)
print("原始矩阵形状:", matrix.shape)# 使用 transpose 交换维度
# 将矩阵的维度从 (3, 4) 变为 (4, 3)
transposed_matrix = matrix.transpose(0, 1)
print("转置后矩阵形状:", transposed_matrix.shape)

截图如下：

示例 2: 高维张量的转置

import torch# 创建一个 2x3x4 的张量
tensor = torch.randn(2, 3, 4)
print("原始张量形状:", tensor.shape)# 使用 transpose 交换第二和第三维
# 将张量的维度从 (2, 3, 4) 变为 (2, 4, 3)
transposed_tensor = tensor.transpose(1, 2)
print("转置后张量形状:", transposed_tensor.shape)

截图如下：

示例 3: 在深度学习中的应用

import torch# 创建一个假设的批量数据 (批量, 高度, 宽度, 通道)
batch_tensor = torch.randn(5, 256, 256, 3)
print("原始批量形状:", batch_tensor.shape)# 将通道和宽度维度交换
# 适用于某些模型的输入
batch_transposed = batch_tensor.transpose(2, 3)
print("转置后批量形状:", batch_transposed.shape)

截图如下：

基本的注意事项如下：

• 只支持交换两个维度： transpose 只能同时交换两个维度，而无法一次性处理多个维度
• 数据不复制：返回的是原始张量的视图，因此内存开销较小
• 维度索引：确保指定的维度索引在张量的维度范围内，否则会引发错误