pytorch中张量torch.Size([])和torch.Size([1])的形状差异答案

【问题标题】：Difference in shape of tensor torch.Size([]) and torch.Size([1]) in pytorchpytorch中张量torch.Size([])和torch.Size([1])的形状差异
【发布时间】：2019-11-13 08:51:27
【问题描述】：

我是 pytorch 的新手。在玩张量时，我观察到了两种类型的张量-

tensor(58)
tensor([57.3895])

我打印了它们的形状，输出分别是-

torch.Size([])
torch.Size([1])

两者有什么区别？

【问题讨论】：

标签： pytorch tensor

【解决方案1】：

第一个有0 size 尺寸，第二个有1 尺寸，PyTorch 试图使两者兼容（0 size 可以被视为类似于float 或类似虽然我还没有真正遇到过明确需要它的情况，除了@javadr 在下面的答案中显示的内容）。

通常你会使用list 来初始化它，see here 以获取更多信息。

【讨论】：

我认为这并没有错，它的意思是一个维度为0的张量。
查看fill_。它只需要一个 0 维值张量。所以，你不能像t.fill_(torch.tensor([1])) 那样使用它。它完全错误并产生以下错误：RuntimeError: fill_ only supports 0-dimension value tensor but got tensor with 1 dimensions. 但它适用于如下使用：t.fill_(torch.tensor(1)).

【解决方案2】：

您可以像这样使用具有单个标量值的张量：

import torch

t = torch.tensor(1)
print(t, t.shape) # tensor(1) torch.Size([])

t = torch.tensor([1])
print(t, t.shape) # tensor([1]) torch.Size([1])

t = torch.tensor([[1]])
print(t, t.shape) # tensor([[1]]) torch.Size([1, 1])

t = torch.tensor([[[1]]])
print(t, t.shape) # tensor([[[1]]]) torch.Size([1, 1, 1])

t = torch.unsqueeze(t, 0)
print(t, t.shape) # tensor([[[[1]]]]) torch.Size([1, 1, 1, 1])

t = torch.unsqueeze(t, 0)
print(t, t.shape) # tensor([[[[[1]]]]]) torch.Size([1, 1, 1, 1, 1])

t = torch.unsqueeze(t, 0)
print(t, t.shape) # tensor([[[[[[1]]]]]]) torch.Size([1, 1, 1, 1, 1, 1])

#squize dimension with id 0
t = torch.squeeze(t,dim=0)
print(t, t.shape) # tensor([[[[[1]]]]]) torch.Size([1, 1, 1, 1, 1])

#back to beginning.
t = torch.squeeze(t)
print(t, t.shape) # tensor(1) torch.Size([])

print(type(t)) # <class 'torch.Tensor'>
print(type(t.data)) # <class 'torch.Tensor'>

张量，确实有大小或形状。这是一样的。这实际上是一个类torch.Size。您可以写信help(torch.Size) 以获取更多信息。任何时候你写t.shape，或t.size()，你都会得到那个尺寸信息。

张量的想法是它们可以为其中的数据具有不同的兼容大小维度，包括torch.Size([])。

任何时候你解压一个张量，它都会增加另一个维度 1。任何时候你挤压一个张量，它都会删除 1 的维度，或者在一般情况下，所有的维度都是 1。

【讨论】：

【解决方案3】：

在pytorch中查看tensor的文档：

Docstring:
tensor(data, dtype=None, device=None, requires_grad=False, pin_memory=False) -> Tensor

Constructs a tensor with :attr:`data`.

然后它描述了数据是什么：

Args:
    data (array_like): Initial data for the tensor. Can be a list, tuple,
        NumPy ``ndarray``, scalar, and other types.

如您所见，data 可能是一个标量（它是一个维数为零的数据）。

因此，在回答您的问题时，tensor(58) 是尺寸为 0 的张量，tensor([58]) 是尺寸为 1 的张量。

【讨论】：