使用 pytorch 对给定张量进行洗牌的矢量化方法答案

【问题标题】：Vectorized way to shuffle a given tensor using pytorch使用 pytorch 对给定张量进行洗牌的矢量化方法
【发布时间】：2020-06-23 07:18:11
【问题描述】：

我有一个形状为 (1,12,2,2) 的张量 A，如下所示：

  ([[[[1., 3.],
      [9., 11.],

     [[ 2.,  4.],
      [10., 12.]],

     [[ 5.,  7.],
      [13., 15.]],

     [[ 6.,  8.],
      [14., 16.]],

     [[17., 19.],
      [25., 27.]],

     [[18., 20.],
      [26., 28.]],

     [[21., 23.],
      [29., 31.]],

     [[22., 24.],
      [30., 32.]],

     [[33., 35.],
      [41., 43.]],

     [[34., 36.],
      [42., 44.]],

     [[37., 39.],
      [45., 47.]],

     [[38., 40.],
      [46., 48.]]]])

我想使用 pytorch 对其进行洗牌以产生以下形状为 (1,3,4,4) 的张量 B：

tensor([[[[ 1.,  6.,  3.,  8.],
          [21., 34., 23., 36.],
          [ 9., 14., 11., 16.],
          [29., 42., 31., 44.]],

         [[ 2., 17.,  4., 19.],
          [22., 37., 24., 39.],
          [10., 25., 12., 27.],
          [30., 45., 32., 47.]],

         [[ 5., 18.,  7., 20.],
          [33., 38., 35., 40.],
          [13., 26., 15., 28.],
          [41., 46., 43., 48.]]]])

我使用两个 for 循环实现了这一点，如下所示：

B = torch.zeros(1,3,4,4, dtype=torch.float)
ctr = 0
for i in range(2):
    for j in range(2):
        B[:,:,i:4:2,j:4:2] = A[:,ctr:ctr+3,:,:]
        ctr = ctr+3

我正在寻找任何方法在没有这些 for 循环的情况下在 pytorch 中以矢量化方式实现这一点。也许使用.permute()等函数。

【问题讨论】：

“但是，我如何获得张量 B 所需的模式？” 这就是你的问题不清楚的地方。如何你想“洗牌”那个张量？模式是什么？没有这些信息，问题就无法解决。
@a_guest 我已经用我的确切问题更新了这个问题。我正在寻找使用 .permute() 等 pytorch 函数进行上述改组的方法。

标签： python pytorch vectorization tensor

【解决方案1】：

这样就可以了

B = A.reshape(2,2,3,2,2).permute(2,3,0,4,1).reshape(1,3,4,4)

【讨论】：

【解决方案2】：

只是将上述解决方案推广到像素随机播放中的任何上采样因子“r”。

B = A.reshape(-1,r,3,s,s).permute(2,3,0,4,1).reshape(1,3,rs,rs)

这里的“s”是“A”中每个通道的空间分辨率，“r”是上采样因子。对于特定情况，r=2 和 s=2。此解决方案应适用于具有适当大小的“A”的任意值“r”。

所以对于手头的问题 s=2, r=2 所以解决方案是这样的

B = A.reshape(-1,2,3,2,2).permute(2,3,0,4,1).reshape(1,3,4,4)

@ddoGas 发布

类似地，如果 'A' 的大小为 (1, 192, 356, 532) 并且想要通过 r=8 进行上采样

B = A.reshape(-1,8,3,356,532).permute(2,3,0,4,1).reshape(1,3,2848,4256)

【讨论】：