Numpy PyTorch-Fortran类索引排序中的整形顺序

在numpy中，有一个调整数组形状的排序功能，默认情况下是C，但您可以指定其他排序，如F：

a = np.arange(6).reshape((3, 2))
f = np.reshape(a, (2, 3), order='F') # Fortran-like index ordering
c = np.reshape(a, (2, 3)) 
print('a= \n', a)
print('f= \n', b)
print('c= \n', c)

结果是：

a= 
 [[0 1]
 [2 3]
 [4 5]]
f= 
 [[0 4 3]
 [2 1 5]]
c= 
 [[0 1 2]
 [3 4 5]]

在torch.REFORMATE或tensor.view中没有按F顺序进行整形的选项。

---

有没有办法在PyTorch中实现F顺序重塑？我需要所有东西都在Pytork中。

我认为Pytork没有内置的支持。也就是说，您可以通过使用来实现所需的结果。不幸的是，我怀疑这会非常有效，因为AFAIK permute在内部复制了张量

def重塑_fortran（x，形状）：
如果len（x.shape）>0：
x=x.permute（*反转（范围（len（x.shape）））
返回x.重塑（*反转（形状））.置换（*反转（范围（透镜（形状）））

用法示例：

a=torch.arange（6）.重塑（3,2）
f=重塑_fortran（a，（2，3））
c=a.重塑（2，3）

导致

a=
张量（[[0,1]，
[2, 3],
[4, 5]])
f=
张量（[[0,4,3]，
[2, 1, 5]])
c=
张量（[[0,1,2]，
[3, 4, 5]])

我认为pytorch对此没有内置支持。也就是说，您可以通过使用来实现所需的结果。不幸的是，我怀疑这会非常有效，因为AFAIK permute在内部复制了张量

def重塑_fortran（x，形状）：
如果len（x.shape）>0：
x=x.permute（*反转（范围（len（x.shape）））
返回x.重塑（*反转（形状））.置换（*反转（范围（透镜（形状）））

用法示例：

a=torch.arange（6）.重塑（3,2）
f=重塑_fortran（a，（2，3））
c=a.重塑（2，3）

导致

a=
张量（[[0,1]，
[2, 3],
[4, 5]])
f=
张量（[[0,4,3]，
[2, 1, 5]])
c=
张量（[[0,1,2]，
[3, 4, 5]])

工作非常好，我对性能进行了进一步测试。与内置的

整形

相比，基于

置换

的整形需要大约10倍的计算时间。然而，在

numpy

中，内置的类似Fortran的

整形

也需要10倍的计算时间。所以这种方法非常有效：）

以下是i9-10900X和RTX2080Ti的测试代码和结果：

将numpy导入为np
进口火炬
导入时间
dim1=40
dim2=50
dim3=5
def重塑_fortran（x，形状）：
如果len（x.shape）>0：
x=x.permute（*反转（范围（len（x.shape）））
返回x.重塑（*反转（形状））.置换（*反转（范围（透镜（形状）））
火炬.cuda.set_装置（0）
设备=火炬。设备（'cuda'）
x=[范围（100）内的火炬从_numpy（np.random.rand（dim1，dim2））到（设备）]
xx=[范围（100）内的火炬从_numpy（np.random.rand（dim1，dim2））到（设备）]
对于范围（100）内的i：
y=x[i]。重塑（[dim2，dim1]）
#重塑
t0=时间。时间（）
对于范围（100）内的i：
y=xx[i]。重塑（[dim2，dim3，-1]）
t1=时间。时间（）
#fortran整形
对于范围（100）内的i：
yy=重塑fortran（xx[i]，[dim2，dim3，-1]）
t2=时间。时间（）
打印（f'火炬内置整形：{（t1-t0）/100}s'）
打印（f'火炬置换整形：{（t2-t1）/100}s'）
x=[np.random.rand（dim1，dim2）表示范围（100）]
xx=[np.random.rand（dim1，dim2）表示范围（100）]
对于范围（100）内的i：
y=x[i]。重塑（[dim2，dim3，-1]）
t0=时间。时间（）
对于范围（100）内的i：
yy=xx[i]。重塑（[dim2，dim3，-1]）
t1=时间。时间（）
对于范围（100）内的i：
yyy=xx[i]。重塑（[dim2，dim3，-1]，order='F'）
t2=时间。时间（）
打印（f'numpy C重塑：{（t1-t0）/100}s'）
打印（f'numpy f重塑：{（t2-t1）/100}s'）

工作非常好，我有一个关于性能的进一步测试。与内置的

整形

相比，基于

置换

的整形需要大约10倍的计算时间。然而，在

numpy

中，内置的类似Fortran的

整形

也需要10倍的计算时间。所以这种方法非常有效：）

以下是i9-10900X和RTX2080Ti的测试代码和结果：

将numpy导入为np
进口火炬
导入时间
dim1=40
dim2=50
dim3=5
def重塑_fortran（x，形状）：
如果len（x.shape）>0：
x=x.permute（*反转（范围（len（x.shape）））
返回x.重塑（*反转（形状））.置换（*反转（范围（透镜（形状）））
火炬.cuda.set_装置（0）
设备=火炬。设备（'cuda'）
x=[范围（100）内的火炬从_numpy（np.random.rand（dim1，dim2））到（设备）]
xx=[范围（100）内的火炬从_numpy（np.random.rand（dim1，dim2））到（设备）]
对于范围（100）内的i：
y=x[i]。重塑（[dim2，dim1]）
#重塑
t0=时间。时间（）
对于范围（100）内的i：
y=xx[i]。重塑（[dim2，dim3，-1]）
t1=时间。时间（）
#fortran整形
对于范围（100）内的i：
yy=重塑fortran（xx[i]，[dim2，dim3，-1]）
t2=时间。时间（）
打印（f'火炬内置整形：{（t1-t0）/100}s'）
打印（f'火炬置换整形：{（t2-t1）/100}s'）
x=[np.random.rand（dim1，dim2）表示范围（100）]
xx=[np.random.rand（dim1，dim2）表示范围（100）]
对于范围（100）内的i：
y=x[i]。重塑（[dim2，dim3，-1]）
t0=时间。时间（）
对于范围（100）内的i：
yy=xx[i]。重塑（[dim2，dim3，-1]）
t1=时间。时间（）
对于范围（100）内的i：
yyy=xx[i]。重塑（[dim2，dim3，-1]，order='F'）
t2=时间。时间（）
打印（f'numpy C重塑：{（t1-t0）/100}s'）
打印（f'numpy f重塑：{（t2-t1）/100}s'）

---

在NumPy中重塑数组，然后将其转换为PyTorch张量？谢谢，但我需要所有东西都在PyTorch中，因为我想在我的DNN中将该函数用作自定义损失函数。在NumPy中重塑数组，然后将其转换为PyTorch张量？谢谢，但我需要所有东西都在PyTorch中，因为我想在我的DNN中将该函数用作自定义的损失函数。谢谢Jodge，这是一个非常有效的答案。我通过连续的转置、展平和重新排列来实现它，虽然实用，但效率不高。谢谢你的回答。谢谢Jodge，这是一个非常有效的回答。我通过连续的转置、展平和重新排列来实现它，这不是ef

torch build-in reshape: 9.72747802734375e-07 s
torch permute reshape: 1.1897087097167968e-05 s
numpy C reshape: 3.0517578125e-07 s
numpy F reshape: 2.474784851074219e-06 s