今天做visual transformer研究的时候，发现了einops这么个神兵利器，决定大肆安利一波。
先看链接：https://github.com/arogozhnikov/einops
安装：
pip install einops基础用法
einops的强项是把张量的维度操作具象化，让开发者“想出即写出”。举个例子：
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'就完成了维度调换，这个功能与pytorch中的permute相似。但是，einops的rearrange玩法可以更高级：
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]这就是高级用法了，把中间维度看作r×p，然后给出p的数值，这样系统会自动把中间那个维度拆解成3×3。这样就完成了[3, 9, 9] -> [3, 3, 3, 9]的维度转换。
这个功能就不是pytorch的内置功能可比的。
除此之外，还有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，就可以指定复制的层数了。
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)这里的'mean'指定池化方式。 相信你看得懂，不懂可留言提问~
高级用法
einops也可以嵌套在pytorch的layer里，请看：
# 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),
)这里的Rearrange是nn.module的子类，直接可以当作网络层放到模型里~
一个字，绝。
以上就是支持PyTorch的einops张量操作神器用法示例详解的详细内容，更多关于einops张量操作用法的资料请关注编程网其它相关文章！
