Deep-Learning-with-PyTorch-3.8.2

3.8.2 转置而不复制

让我们现在尝试转置。 让我们看一下点张量，将其在行中具有单个点，在列中具有X和Y坐标，然后将其旋转以使单个点在列中。 我们借此机会介绍t函数，它是二维张量转置的一种简写形式：

# In[30]:
points = torch.tensor([[4.0, 1.0], [5.0, 3.0], [2.0, 1.0]])
points

# Out[30]:
tensor([[4., 1.],
        [5., 3.],
        [2., 1.]])
        
# In[31]:
points_t = points.t()
points_t

# Out[31]:
tensor([[4., 5., 2.],
        [1., 3., 1.]])

提示：为帮助您深入了解张量的原理，在逐步阅读本节中的代码时，最好拿起一支铅笔，一张纸和一个涂鸦图，如图3.5所示。

我们可以轻松地验证两个张量共享相同的存储

# In[32]:
id(points.storage()) == id(points_t.storage())

# Out[32]:
True

并且它们只是形状和步幅不同：

# In[33]:
points.stride()

# Out[33]:
(2, 1)

# In[34]:
points_t.stride()

# Out[34]:
(1, 2)

这告诉我们，将第一个索引以点为单位增加一个，例如，从points [0,0]到points [1,0]，将沿着存储跳过两个元素，在增加第二个索引（从点[0,0]到点[0,1]的同时）将沿着存储空间跳一。 换句话说，存储器将张量中的元素逐行顺序地保持。

我们可以将点转置为points_t，如图3.6所示。 我们按步幅改变元素的顺序。 之后，增加行（张量的第一个索引）将沿存储空间跳过一个，就像我们沿点的列移动时一样。 这就是转置的定义。 没有分配新的内存：仅通过创建步长顺序与原始步长顺序不同的新Tensor实例来获得转置。