怎么用PyTorch的einops張量操作神器

這篇文章主要介紹“怎么用PyTorch的einops張量操作神器”，在日常操作中，相信很多人在怎么用PyTorch的einops張量操作神器問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”怎么用PyTorch的einops張量操作神器”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

安裝：

pip install einops

基礎用法

einops的強項是把張量的維度操作具象化，讓開發者“想出即寫出”。舉個例子：

from einops import rearrange
 
# rearrange elements according to the pattern
output_tensor = rearrange(input_tensor, 'h w c -> c h w')

用'h w c -> c h w'就完成了維度調換，這個功能與pytorch中的permute相似。但是，einops的rearrange玩法可以更高級：

from einops import rearrange
import torch
 
a = torch.randn(3, 9, 9)  # [3, 9, 9]
output = rearrange(a, 'c (r p) w -> c r p w', p=3)
print(output.shape)   # [3, 3, 3, 9]

這就是高級用法了，把中間維度看作r×p，然后給出p的數值，這樣系統會自動把中間那個維度拆解成3×3。這樣就完成了[3, 9, 9] -> [3, 3, 3, 9]的維度轉換。

這個功能就不是pytorch的內置功能可比的。

除此之外，還有reduce和repeat，也是很好用。

from einops import repeat
import torch
 
a = torch.randn(9, 9)  # [9, 9]
output_tensor = repeat(a, 'h w -> c h w', c=3)  # [3, 9, 9]

指定c，就可以指定復制的層數了。

再看reduce：

from einops import reduce
import torch
 
a = torch.randn(9, 9)  # [9, 9]
output_tensor = reduce(a, 'b c (h h3) (w w2) -> b h w c', 'mean', h3=2, w2=2)

這里的'mean'指定池化方式。 相信你看得懂，不懂可留言提問~

高級用法 

einops也可以嵌套在pytorch的layer里，請看：

# example given for pytorch, but code in other frameworks is almost identical  
from torch.nn import Sequential, Conv2d, MaxPool2d, Linear, ReLU
from einops.layers.torch import Rearrange
 
model = Sequential(
    Conv2d(3, 6, kernel_size=5),
    MaxPool2d(kernel_size=2),
    Conv2d(6, 16, kernel_size=5),
    MaxPool2d(kernel_size=2),
    # flattening
    Rearrange('b c h w -> b (c h w)'),  
    Linear(16*5*5, 120), 
    ReLU(),
    Linear(120, 10), 
)

這里的Rearrange是nn.module的子類，直接可以當作網絡層放到模型里~

到此，關于“怎么用PyTorch的einops張量操作神器”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續學習更多相關知識，請繼續關注億速云網站，小編會繼續努力為大家帶來更多實用的文章！