Torch: 如何通过行洗牌张量？

一种简单的解决方法是使用置换矩阵（在线性代数中通常使用）。由于您似乎对三维情况感兴趣，我们必须先展开您的三维张量。因此，以下是我想出的一个示例代码（可直接使用）

data=torch.floor(torch.rand(5,3,2)*100):float()
reordered_data=data:view(5,-1)

perm=torch.randperm(5);
perm_rep=torch.repeatTensor(perm,5,1):transpose(1,2)

indexes=torch.range(1,5);
indexes_rep=torch.repeatTensor(indexes,5,1)

permutation_matrix=indexes_rep:eq(perm_rep):float()
permuted=permutation_matrix*reordered_data

print("perm")
print(perm)
print("before permutation")
print(data)
print("after permutation")
print(permuted:view(5,3,2))

从执行结果可以看出，它根据perm中给定的行索引重新排序了张量data。

我也遇到了类似的问题。文档中没有针对张量的洗牌功能（对于数据集加载器，有相应的洗牌功能）。我用 torch.randperm 找到了解决这个问题的方法。

>>> a=torch.rand(3,5)
>>> print(a)
tensor([[0.4896, 0.3708, 0.2183, 0.8157, 0.7861],
        [0.0845, 0.7596, 0.5231, 0.4861, 0.9237],
        [0.4496, 0.5980, 0.7473, 0.2005, 0.8990]])
>>> # 行洗牌
...
>>> a=a[torch.randperm(a.size()[0])]
>>> print(a)
tensor([[0.4496, 0.5980, 0.7473, 0.2005, 0.8990],
        [0.0845, 0.7596, 0.5231, 0.4861, 0.9237],
        [0.4896, 0.3708, 0.2183, 0.8157, 0.7861]])
>>> # 列洗牌
...
>>> a=a[:,torch.randperm(a.size()[1])]
>>> print(a)
tensor([[0.2005, 0.7473, 0.5980, 0.8990, 0.4496],
        [0.4861, 0.5231, 0.7596, 0.9237, 0.0845],
        [0.8157, 0.2183, 0.3708, 0.7861, 0.4896]])

希望它能解决这个问题！

根据您的语法，我认为您是在使用带有lua的torch而不是PyTorch。 [torch.Tensor.index]（https://github.com/torch/torch7/blob/master/doc/tensor.md）是您的函数，它的工作方式如下：

x = torch.rand(4, 4)
p = torch.randperm(4)
print(x)
print(p)
print(x:index(1,p:long())

如果你的张量的形状是 CxNxF（通道数 by 行数 by 特征数），那么你可以通过以下方式沿着第二个维度进行洗牌：

dim = 1
idx = torch.randperm(t.shape[dim])

t_shuffled = t[:,idx]