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。
以上这篇pytorch查看通道数 维数 尺寸大小方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。
免责声明：本站文章均来自网站采集或用户投稿，网站不提供任何软件下载或自行开发的软件！ 如有用户或公司发现本站内容信息存在侵权行为，请邮件告知！ 858582#qq.com
3月27日消息，苹果宣布2024年全球开发者大会（WWDC）将于6月10日至6月14日举行，巧合的是，这次大会与端午假期重合。
苹果官方表示：
在线参加 Apple 每年规模最大的开发者盛会。亲眼见证 Apple 最新平台、技术和工具的发布。了解如何创建和改进你的 App 和游戏。与 Apple 设计师和工程师互动交流，与全球开发者社区建立联系。以上活动均免费在线举行。
探索各种新的工具、框架和功能，助力你打造出理想的 App 和游戏。通过视频讲座学习新技能，与 Apple 专家进行一对一会面，以推进你的项目，完善你的构思。
Swift Student Challenge 旨在支持和鼓舞下一代开发者、创作者和企业家。太平洋时间 3 月 28 日，我们将公布今年的获奖者名单。获奖者将有资格参加在 Apple Park 举办的特别活动。我们还会选出 50 名杰出获胜者，他们将受邀前往库比提诺，获得为期三天的非凡体验，包括参加 Apple Park 的特别活动。
RTX 5090要首发 性能要翻倍！三星展示GDDR7显存
三星在GTC上展示了专为下一代游戏GPU设计的GDDR7内存。
首次推出的GDDR7内存模块密度为16GB，每个模块容量为2GB。其速度预设为32 Gbps（PAM3），但也可以降至28 Gbps，以提高产量和初始阶段的整体性能和成本效益。
据三星表示，GDDR7内存的能效将提高20%，同时工作电压仅为1.1V，低于标准的1.2V。通过采用更新的封装材料和优化的电路设计，使得在高速运行时的发热量降低，GDDR7的热阻比GDDR6降低了70%。