&nbsp;
<h1 class="ant-typography post-detail_title__2iF6e">Giới Thiệu Reshape Trong Pytorch</h1>
Reshaping operations&nbsp;l&agrave; hoạt động tensor quan trọng nhất. Bởi v&igrave;, shape của tensor c&oacute; thể cho ch&uacute;ng ta c&aacute;c th&ocirc;ng tin cụ thể m&agrave; ch&uacute;ng ta c&oacute; thể sử dụng để x&aacute;c định c&aacute;c thuộc t&iacute;nh kh&aacute;c trong tensor.
<img style="width: 681px; display: block; margin-left: auto; margin-right: auto;" src="http://tek4vn.2soft.top/public_files/1-6-png-1" alt="1" height="356" />
<h4 class="sub-section-heading" style="text-align: justify;">Tensor Shape Review</h4>
Giả sử ch&uacute;ng ta c&oacute; tensor sau:
<pre class="language-python"><code>&gt; t = torch.tensor([
 [1,1,1,1],
 [2,2,2,2],
 [3,3,3,3]
], dtype=torch.float32)</code></pre>
Để x&aacute;c định shape của tensor n&agrave;y, ta đếm thấy c&oacute; 3 h&agrave;ng, 4 cột&nbsp; v&agrave; do đ&oacute; tensor n&agrave;y c&oacute; shape l&agrave; 3 x 4 v&agrave; rank 2.
Trong Pytorch ch&uacute;ng ta c&oacute; 2 c&aacute;ch để lấy shape:
<pre class="language-python"><code>&gt; t.size()
torch.Size([3, 4])

&gt; t.shape
torch.Size([3, 4])</code></pre>
Trong Pytorch&nbsp;size&nbsp;and&nbsp;shape&nbsp;c&oacute; &yacute; nghĩa như nhau.&nbsp;Th&ocirc;ng thường, sau khi ch&uacute;ng ta biết shape của tensor, ch&uacute;ng ta c&oacute; thể suy ra một v&agrave;i điều.&nbsp;Đầu ti&ecirc;n, ch&uacute;ng ta c&oacute; thể suy ra rank của tensor. Rank&nbsp;của tensor bằng&nbsp;length của shape.
<pre class="language-python"><code>&gt; len(t.shape)
2</code></pre>
Ch&uacute;ng ta cũng c&oacute; thể suy ra số phần tử chứa trong tensor.&nbsp;Số phần tử b&ecirc;n trong một tensor (trong v&iacute; dụ của ch&uacute;ng ta l&agrave; 12) bằng t&iacute;ch c&aacute;c gi&aacute; trị th&agrave;nh phần của shape.
<pre class="language-python"><code>&gt; torch.tensor(t.shape).prod()
tensor(12)</code></pre>
Trong PyTorch, c&oacute; một h&agrave;m d&agrave;nh ri&ecirc;ng cho việc n&agrave;y:
<pre class="language-python"><code>&gt; t.numel()
12</code></pre>
Số lượng phần tử chứa trong một tensor rất quan trọng để reshape v&igrave; việc reshape phải t&iacute;nh đến tổng số phần tử hiện c&oacute;. Reshape&nbsp;thay đổi shape của tensor nhưng kh&ocirc;ng thay đổi dữ liệu cơ bản. Tensor của ch&uacute;ng ta c&oacute; 12 phần tử, v&igrave; vậy bất kỳ sự reshape n&agrave;o cũng phải c&ograve;n đ&uacute;ng 12 phần tử.
<h4 style="text-align: justify;">Reshape một tensor trong pytorch</h4>
B&acirc;y giờ ch&uacute;ng ta h&atilde;y xem x&eacute;t tất cả c&aacute;c c&aacute;ch m&agrave; tensor t&nbsp;c&oacute; thể được reshape m&agrave; kh&ocirc;ng thay đổi rank:
<pre class="language-python"><code>&gt; t.reshape([1,12])
tensor([[1., 1., 1., 1., 2., 2., 2., 2., 3., 3., 3., 3.]])

&gt; t.reshape([2,6])
tensor([[1., 1., 1., 1., 2., 2.],
 [2., 2., 3., 3., 3., 3.]])

&gt; t.reshape([3,4])
tensor([[1., 1., 1., 1.],
 [2., 2., 2., 2.],
 [3., 3., 3., 3.]])

&gt; t.reshape([4,3])
tensor([[1., 1., 1.],
 [1., 2., 2.],
 [2., 2., 3.],
 [3., 3., 3.]])

&gt; t.reshape(6,2)
tensor([[1., 1.],
 [1., 1.],
 [2., 2.],
 [2., 2.],
 [3., 3.],
 [3., 3.]])

&gt; t.reshape(12,1)
tensor([[1.],
 [1.],
 [1.],
 [1.],
 [2.],
 [2.],
 [2.],
 [2.],
 [3.],
 [3.],
 [3.],
 [3.]])</code></pre>
Sử dụng h&agrave;m reshape(), ch&uacute;ng ta c&oacute; thể chỉ định shape (row x column) m&agrave; ch&uacute;ng ta cần.&nbsp;Lưu &yacute; rằng tất cả c&aacute;c shape phải t&iacute;nh đến số phần tử trong tensor. Đối với v&iacute; dụ của ch&uacute;ng ta như sau:
<pre><code>rows * columns = 12 phần tử
</code></pre>
Ch&uacute;ng ta chỉ c&oacute; thể sử dụng c&aacute;c từ rows v&agrave; columns khi ch&uacute;ng ta xử l&yacute; một tensor rank 2.
<pre class="language-python"><code>&gt; t.reshape(2,2,3)
tensor(
[
 [
 [1., 1., 1.],
 [1., 2., 2.]
 ],

 [
 [2., 2., 3.],
 [3., 3., 3.]
 ]
])</code></pre>
Trong v&iacute; dụ n&agrave;y, ch&uacute;ng ta tăng rank l&ecirc;n 3 v&agrave; do đ&oacute; sẽ mất đi kh&aacute;i niệm row v&agrave; column.&nbsp;Tuy nhi&ecirc;n, t&iacute;ch của c&aacute;c th&agrave;nh phần của shape(2,2,3) vẫn phải bằng số phần tử trong tensor ban đầu (12).
<h3 style="text-align: justify;">Thay đổi shape bằng c&aacute;ch&nbsp;Squeezing v&agrave; Unsqueezing</h3>
C&aacute;ch tiếp theo ch&uacute;ng ta c&oacute; thể thay đổi shape của tensor l&agrave; bằng&nbsp;squeezing&nbsp;v&agrave;&nbsp;unsqueezing.&nbsp;
<ul style="text-align: justify;">
<li>Squeezing&nbsp;một tensor sẽ loại c&aacute;c k&iacute;ch thước hoặc axes c&oacute; độ d&agrave;i bằng một.</li>
<li>Unsqueezing&nbsp;một tensor&nbsp;sẽ th&ecirc;m một k&iacute;ch thước c&oacute; chiều d&agrave;i l&agrave; một.</li>
</ul>
C&aacute;c&nbsp;functions n&agrave;y&nbsp;cho ph&eacute;p ch&uacute;ng ta mở rộng hoặc thu nhỏ rank của tensor. V&iacute; dụ:
<pre class="language-python"><code>&gt; print(t.reshape([1,12]))
&gt; print(t.reshape([1,12]).shape)
tensor([[1., 1., 1., 1., 2., 2., 2., 2., 3., 3., 3., 3.]])
torch.Size([1, 12])

&gt; print(t.reshape([1,12]).squeeze())
&gt; print(t.reshape([1,12]).squeeze().shape)
tensor([1., 1., 1., 1., 2., 2., 2., 2., 3., 3., 3., 3.])
torch.Size([12])

&gt; print(t.reshape([1,12]).squeeze().unsqueeze(dim=0))
&gt; print(t.reshape([1,12]).squeeze().unsqueeze(dim=0).shape)
tensor([[1., 1., 1., 1., 2., 2., 2., 2., 3., 3., 3., 3.]])
torch.Size([1, 12])</code></pre>
H&atilde;y ch&uacute; &yacute; xem shape đ&atilde; thay đổi như thế n&agrave;o khi ch&uacute;ng ta thực hiện&nbsp;squeeze v&agrave; unsqueeze một tensor trong v&iacute; dụ tr&ecirc;n.
B&acirc;y giờ h&atilde;y xem một trường hợp phổ biến sử dụng&nbsp;squeezing bằng c&aacute;ch x&acirc;y dựng một h&agrave;m&nbsp;flatten.
<h4 class="sub-section-heading" style="text-align: justify;">Flatten một Tensor</h4>
Flatten một tensor l&agrave; reshape lại tensor để c&oacute; shape bằng số phần tử c&oacute; trong tensor.
<pre><code>Flattening a tensor means to remove all of the dimensions except for one.</code></pre>
H&atilde;y tạo một h&agrave;m Python c&oacute; t&ecirc;n l&agrave; flatten():
<pre class="language-python"><code>def flatten(t):
 t = t.reshape(1, -1)
 t = t.squeeze()
 return t</code></pre>
H&agrave;m flatten() nhận tensor t l&agrave;m đối số.&nbsp;V&igrave; đối số t c&oacute; thể l&agrave; tensor bất kỳ, ch&uacute;ng ta truyền -1 l&agrave;m đối số thứ hai cho h&agrave;m reshape().&nbsp;Trong PyTorch, -1 l&agrave;m cho h&agrave;m reshape()&nbsp;tự t&igrave;m ra gi&aacute; trị dựa tr&ecirc;n số lượng phần tử c&oacute; trong tensor. H&atilde;y nhớ rằng, shape mới của tensor&nbsp;phải bằng shape của tensor ban đầu.&nbsp;Đ&acirc;y l&agrave; c&aacute;ch PyTorch c&oacute; thể t&igrave;m ra gi&aacute; trị n&ecirc;n l&agrave; g&igrave;.&nbsp;V&igrave; tensor t của ch&uacute;ng ta c&oacute; 12 phần tử, n&ecirc;n h&agrave;m reshape() c&oacute; thể t&igrave;m ra rằng 12 l&agrave; cần thiết.
Sau khi squeezing, axis đầu ti&ecirc;n (axis-0) bị loại bỏ v&agrave; ch&uacute;ng ta thu được kết quả mong muốn, một mảng 1d c&oacute; độ d&agrave;i 12. Dưới đ&acirc;y l&agrave; một v&iacute; dụ:
<pre class="language-python"><code>&gt; t = torch.ones(4, 3)
&gt; t
tensor([[1., 1., 1.],
 [1., 1., 1.],
 [1., 1., 1.],
 [1., 1., 1.]])

&gt; flatten(t)
tensor([1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])</code></pre>
Trong c&aacute;c b&agrave;i viết tiếp theo, khi ch&uacute;ng ta bắt đầu x&acirc;y dựng một mạng CNN, ch&uacute;ng ta sẽ hiểu r&otilde; hơn khi sử dụng h&agrave;m&nbsp;flatten() n&agrave;y.
<h4 class="sub-section-heading" style="text-align: justify;">Concatenating Tensors</h4>
Ch&uacute;ng ta kết hợp c&aacute;c tensor bằng c&aacute;ch sử dụng h&agrave;m cat(), v&agrave; tensor kết quả sẽ c&oacute; shape phụ thuộc v&agrave;o shape của hai tensor đầu v&agrave;o.
Giả sử ch&uacute;ng ta c&oacute; hai tensor:
<pre class="language-python"><code>&gt; t1 = torch.tensor([
 [1,2],
 [3,4]
])
&gt; t2 = torch.tensor([
 [5,6],
 [7,8]
])</code></pre>
Ch&uacute;ng ta c&oacute; thể kết hợp t1 v&agrave; t2 theo h&agrave;ng (axis-0) theo c&aacute;ch sau:
<pre class="language-python"><code>&gt; torch.cat((t1, t2), dim=0)
tensor([[1, 2],
 [3, 4],
 [5, 6],
 [7, 8]])</code></pre>
Ch&uacute;ng ta c&oacute; thể kết hợp ch&uacute;ng theo cột (axis-1) như sau:
<pre class="language-python"><code>&gt; torch.cat((t1, t2), dim=1)
tensor([[1, 2, 5, 6],
 [3, 4, 7, 8]])</code></pre>
Khi ch&uacute;ng ta nối c&aacute;c tensor, ch&uacute;ng ta l&agrave;m tăng số phần tử c&oacute; trong tensor kết quả.&nbsp;Điều n&agrave;y l&agrave;m cho c&aacute;c gi&aacute; trị th&agrave;nh phần trong shape (chiều d&agrave;i của c&aacute;c axes) tự điều chỉnh để t&iacute;nh cho c&aacute;c phần tử bổ sung.
<pre class="language-python"><code>&gt; torch.cat((t1, t2), dim=0).shape
torch.Size([4, 2])

&gt; torch.cat((t1, t2), dim=1).shape
torch.Size([2, 4])</code></pre>
<h3 style="text-align: justify;">Kết Luận</h3>
B&acirc;y giờ ch&uacute;ng ta đ&atilde; hiểu r&otilde; về reshape một tensor. Hi vọng bạn th&iacute;ch b&agrave;i viết n&agrave;y.
Hẹn gặp lại bạn trong c&aacute;c b&agrave;i viết tiếp theo!
<hr />
Fanpage Facebook:&nbsp;<a href="https://www.facebook.com/tek4.vn/">TEK4.VN</a>&nbsp;
Tham gia cộng đồng để chia sẻ, trao đổi v&agrave; thảo luận:&nbsp;<a href="https://www.facebook.com/groups/tek4.vn/">TEK4.VN - Học Lập Tr&igrave;nh Miễn Ph&iacute;</a>

Admin

Giới Thiệu Reshape Trong Pytorch

Cùng tác giả

Admin

Có liên quan