如何解释张量大小？

Question

我很难理解以下两者之间的差异：

x1 = torch.tensor([1, 2, 3]) # single brackets

x2 = torch.tensor([[1, 2, 3]]) # double brackets

检查尺寸时： x1.size()和{}我们得到以下结果：

torch.Size([3])
torch.Size([1, 3])

我将其解释为x1是（3x1）列向量，而x2是（1x3）行向量

但是，当尝试转置两个向量时： print(x1.T)print(x2.T)，我们得到：

tensor([1, 2, 3])
tensor([[1],
        [2],
        [3]])

x1似乎不受转位的影响？ 此外，当尝试使用“.view（）”强制x1成为（1x3）行向量时： print(x1.view(1, -1))我们得到：

tensor([[1, 2, 3]])  # double brackets

那么为什么“.T”没有做到这一点，但是“.view（1，-1）”能够将x1转换成（1x3）行向量呢

当我们第一次分配它时，它到底是什么

Answer 1

根据official documentation-

Expects input to be <= 2-D tensor and transposes dimensions 0 and 1. 0-D and 1-D tensors are returned as is. When input is a 2-D tensor this is equivalent to transpose(input, 0, 1).

x = torch.randn(())
torch.t(x)
#tensor(0.1995)

x = torch.randn(3)
x
#tensor([ 2.4320, -0.4608,  0.7702])

torch.t(x)
#tensor([ 2.4320, -0.4608,  0.7702])

x = torch.randn(2, 3)
x
#tensor([[ 0.4875,  0.9158, -0.5872],
#        [ 0.3938, -0.6929,  0.6932]])

torch.t(x)
#tensor([[ 0.4875,  0.3938],
#        [ 0.9158, -0.6929],
#        [-0.5872,  0.6932]])

这就是x1没有效果的原因。它现在是一维张量，而不是二维张量。(3,)和(3,1)的形状之间存在差异。第一个轴只有一个轴，而另一个轴有两个轴（类似于您添加的双括号）

这句话在某种程度上是不正确的

x1 #(3,) 1D tensor
x1.reshape((3,1) #(3,1) #2D tensor

x1.T #(1,3) 2D tensor with successful transpose