支持PyTorch的einops張量操作神器用法示例詳解

Posted on by

今天做visual transformer研究的時候，發現瞭einops這麼個神兵利器，決定大肆安利一波。

先看鏈接：https://github.com/arogozhnikov/einops

安裝：

pip install einops

基礎用法

einops的強項是把張量的維度操作具象化，讓開發者“想出即寫出”。舉個例子：

from einops import rearrange
 
# rearrange elements according to the pattern
output_tensor = rearrange(input_tensor, 'h w c -> c h w')

用’h w c -> c h w’就完成瞭維度調換，這個功能與pytorch中的permute相似。但是，einops的rearrange玩法可以更高級：

from einops import rearrange
import torch
 
a = torch.randn(3, 9, 9)  # [3, 9, 9]
output = rearrange(a, 'c (r p) w -> c r p w', p=3)
print(output.shape)   # [3, 3, 3, 9]

這就是高級用法瞭，把中間維度看作r×p，然後給出p的數值，這樣系統會自動把中間那個維度拆解成3×3。這樣就完成瞭[3, 9, 9] -> [3, 3, 3, 9]的維度轉換。

這個功能就不是pytorch的內置功能可比的。

除此之外，還有reduce和repeat，也是很好用。

from einops import repeat
import torch
 
a = torch.randn(9, 9)  # [9, 9]
output_tensor = repeat(a, 'h w -> c h w', c=3)  # [3, 9, 9]

指定c，就可以指定復制的層數瞭。

再看reduce：

from einops import reduce
import torch
 
a = torch.randn(9, 9)  # [9, 9]
output_tensor = reduce(a, 'b c (h h2) (w w2) -> b h w c', 'mean', h2=2, w2=2)

這裡的’mean’指定池化方式。 相信你看得懂，不懂可留言提問~

高級用法 

einops也可以嵌套在pytorch的layer裡，請看：

# example given for pytorch, but code in other frameworks is almost identical  
from torch.nn import Sequential, Conv2d, MaxPool2d, Linear, ReLU
from einops.layers.torch import Rearrange
 
model = Sequential(
    Conv2d(3, 6, kernel_size=5),
    MaxPool2d(kernel_size=2),
    Conv2d(6, 16, kernel_size=5),
    MaxPool2d(kernel_size=2),
    # flattening
    Rearrange('b c h w -> b (c h w)'),  
    Linear(16*5*5, 120), 
    ReLU(),
    Linear(120, 10), 
)

這裡的Rearrange是nn.module的子類，直接可以當作網絡層放到模型裡~

一個字，絕。

以上就是支持PyTorch的einops張量操作神器用法示例詳解的詳細內容，更多關於einops張量操作用法的資料請關註WalkonNet其它相關文章！

推薦閱讀：