PyTorchにおける2大コア転置関数transpose()とpermute()

差を気にする人は【3.違う点】を直接見ることができます
前言pytorchで転置するための関数はこの2つだけです

transpose()

permute()

この2つの関数は、次元を交換する操作です.些細な違いがある
1.公式文書transpose()

torch.transpose(input, dim0, dim1, out=None) → Tensor

関数は、入力行列inputの回転を返す.交換次元dim0およびdim1パラメータ:

input(Tensor)-テンソルを入力し、

を入力します.

dim 0(int)-転置された1次元、デフォルト0、オプション

dim 1(int)-2 D、デフォルト1、オプション

permute()

permute(dims) → Tensor

tensorの次元をシフトします.
パラメータ:

dims(int...*)-シフト順、必ず

を記入します.
2.同一点

は、いずれも回転後のマトリクスを返します.

はいずれも高緯行列を操作することができ、permuteは高次元でより機能的である.

3.相違点
まず、後で使用するデータを定義します.

#       x，dim=0  2，dim=1  3
x = torch.randn(2,3)       'x.shape  →  [2,3]'
#       y，dim=0  2，dim=1  3，dim=2  4
y = torch.randn(2,3,4)   'y.shape  →  [2,3,4]'

合法性が異なる

torch.transpose(x)合法、x.transpose()合法.tensor.permute(x)は合法ではなく、x.permute()は合法です.
第2点の例を参照

操作dim違い:

transpose()は一度に2つの次元しか操作できません.permute()は多次元データを一度に操作することができ、permute()のパラメータがint*であるため、すべての次元数を入力しなければならない.
例を挙げる

#   transpose
x.transpose(0,1)     'shape→[3,2] '  
x.transpose(1,0)     'shape→[3,2] '  
y.transpose(0,1)     'shape→[3,2,4]' 
y.transpose(0,2,1)  'error，      '

#   permute()
x.permute(0,1)     'shape→[2,3]'
x.permute(1,0)     'shape→[3,2],      shape   x.transpose(1,0) '
y.permute(0,1)     "error          "
y.permute(1,0,2)  'shape→[3,2,4]'

transpose()のうちdimには数の大きさの区別がない.permute()のうちのdimは数ある大小区分

である.
例えば、後のshapeに注意してください.

#   transpose，   dim  
x1 = x.transpose(0,1)   'shape→[3,2] '  
x2 = x.transpose(1,0)   '    ，shape→[3,2] '  
print(torch.equal(x1,x2))
' True ，value shape   '

#   permute()
x1 = x.permute(0,1)     '  transpose，shape→[2,3] '  
x2 = x.permute(1,0)     'shape→[3,2] '  
print(torch.equal(x1,x2))
'False， transpose  '

y1 = y.permute(0,1,2)     '    ，shape→[2,3,4] '  
y2 = y.permute(1,0,2)     'shape→[3,2,4] '  
y3 = y.permute(1,2,0)     'shape→[3,4,2] '  

4.まとめ
最も重要な違いは上の3点目だと思います.
また、簡単なデータはtranspose()でいいのですが、個人的には直感的ではなく、指向性が弱いと思います.複雑な次元はpermute()を用いることができ、次元の変化に対しては一般的により正確である.