pytorch查看通道数 维数 尺寸大小方式
查看tensor
x.shape # 尺寸
x.size() # 形状
x.ndim # 维数
例如
import torch
parser = argparse.ArgumentParser(description='PyTorch')
parser.add_argument('--img_w', default=144, type=int, metavar='imgw', help='img width')
parser.add_argument('--img_h', default=288, type=int, metavar='imgh', help='img height')
parser.add_argument('--batch-size', default=32, type=int,metavar='B', help='training batch size')
parser.add_argument('--test-batch', default=64, type=int, metavar='tb', help='testing batch size')
class net(nn.Module):
def __init__(self, arch='resnet18'):
super(net, self).__init__()
model_ft = models.resnet50(pretrained=True)
self.visible = model_ft
def forward(self, x):
print(x.shape)
print(x.size())
print(x.ndim)
input = self.visible.conv1(x)
print(input.shape)
print(input.size())
print(input.ndim)
从左至右起，32表示训练集batch_size大小，3是图像通道数，288是图像高度，144是图像宽度，图像尺寸 288*144，维度个数是4。很多博客在介绍论文时候，没有准确表达这些参数名称，往往出现张冠李戴，导致读者后续使用过程中被老师ma
经过标准resnet50第一层卷积后，结果是：32表示训练集batch_size大小，64是图像通道数，72是图像高度，36是图像宽度，图像尺寸72*36，维数是4
补充知识：pytorch中与维度/变换相关的几个函数
torch.size ()
先说torch.size()函数，因为后面的方法都会用这个方法看到变换后的矩阵的维度
通过该方法，可以查看当前Tensor的维度，用法也很简单：
>>>import torch >>>a = torch.Tensor([[[1, 2, 3], [4, 5, 6]]]) >>>a.size() torch.Size([1, 2, 3])
torch.view()
官方文档中的解释：
简单说，把原本的tensor尺寸，转变为你想要的尺寸，例如原尺寸为23，现在可以转为32或16等，但一定要保证等式成立，不能目标尺寸为33
此外，也可以设其中一个尺寸为-1，表示机器内部自己计算，但同时只能有一个为-1，用法如下：
>>> b=a.view(-1, 3, 2) >>> b tensor([[[1., 2.], [3., 4.], [5., 6.]]]) >>> b.size() torch.Size([1, 3, 2])
torch.squeeze() / torch.unsqueeze()
torch.squeeze(n)函数表示压缩tensor中第n维为1的维数，比如下面第一个，b.squeeze(2).size()，原始的b为上面的torch.Size([1, 3, 2])，第二维是2≠1，所以不压缩，尺寸保持不变；而若b.squeeze(0).size()，则发现第一维为1，因此压缩为3x2的tensor
>>> b.squeeze(2).size() torch.Size([1, 3, 2]) >>> b.squeeze(0).size() torch.Size([3, 2])
相反的，torch.unsqueeze(n)则是在第n维增加一个维数=1，如下，表示在原始的b的第二维增加一维，则尺寸变为1 * 3 * 1 * 2
>>> b.unsqueeze(2).size() torch.Size([1, 3, 1, 2]) >>> b.unsqueeze(2) tensor([[[[1., 2.]], [[3., 4.]], [[5., 6.]]]])
torch.permute()
这个函数表示，将原始的tensor，按照自己期望的位置重新排序，例如原始tensor的第0、1、2维分别是1、3、2，那么当我执行permute(2, 0, 1)，则将第三维放在最前，第一维放在中间，第二维放在最后，也就变成了2 * 1 * 3，注意这里表示的维数的index，而不是具体几维：
>>> b.permute(2, 0, 1).size() torch.Size([2, 1, 3]) >>> b.permute(2, 0, 1) tensor([[[1., 3., 5.]], [[2., 4., 6.]]])
暂时只想到这些，若有错误还请指正，或有其他相关函数，我也将持续更新。
