PyTorch에서 Tensor.size와 Tensor.shape의 차이점

PyTorch에서 Tensor.size와 Tensor.shape의 차이점

• Tensor.size: 텐서의 각 차원의 길이를 나타내는 튜플입니다.
• Tensor.shape: 텐서의 각 차원의 크기를 나타내는 torch.Size 객체입니다.

차이점:

• 형식: Tensor.size는 튜플 형식인 반면 Tensor.shape는 torch.Size 객체입니다.
• 변경 가능성: Tensor.size는 변경할 수 없지만 Tensor.shape는 변경할 수 있습니다.
• 호환성: Tensor.size는 더 오래되었고 더 많은 라이브러리와 호환됩니다. Tensor.shape는 최신 버전의 PyTorch에서 더 선호됩니다.

사용 예시:

import torch

# 텐서 생성
x = torch.rand(3, 4, 5)

# Tensor.size 사용
print(x.size)  # (3, 4, 5)

# Tensor.shape 사용
print(x.shape)  # torch.Size([3, 4, 5])

# Tensor.shape 변경
x.shape = (5, 4, 3)

# 변경된 텐서 크기 확인
print(x.size)  # (5, 4, 3)

결론:

Tensor.size와 Tensor.shape는 텐서의 크기와 모양을 나타내는 두 가지 속성입니다. Tensor.shape는 더 새롭고 더 많은 기능을 제공하지만 Tensor.size는 더 오래되었고 더 많은 라이브러리와 호환됩니다. 상황에 따라 적절한 속성을 사용하는 것이 좋습니다.

예제 코드

import torch

# 1. 텐서 생성

# (3, 4, 5) 크기의 랜덤 텐서 생성
x = torch.rand(3, 4, 5)

# 2. Tensor.size와 Tensor.shape 사용

# Tensor.size: 튜플 형식으로 각 차원의 길이 출력
print(x.size)  # (3, 4, 5)

# Tensor.shape: torch.Size 객체로 각 차원의 크기 출력
print(x.shape)  # torch.Size([3, 4, 5])

# 3. Tensor.shape 변경

# Tensor.shape을 변경하여 텐서 크기 변경
x.shape = (5, 4, 3)

# 4. 변경된 텐서 크기 확인

# Tensor.size를 통해 변경된 텐서 크기 확인
print(x.size)  # (5, 4, 3)

# 5. 텐서 슬라이싱

# 변경된 텐서 크기를 기반으로 슬라이싱
y = x[1:3, :, 1:]

# 슬라이싱 결과 확인
print(y.size)  # (2, 4, 2)

1. torch.rand(3, 4, 5)를 사용하여 3차원 텐서를 생성합니다.
2. x.size와 x.shape을 사용하여 텐서의 크기와 모양을 출력합니다.
3. x.shape을 변경하여 텐서의 크기를 변경합니다.
4. x.size를 사용하여 변경된 텐서의 크기를 확인합니다.
5. 변경된 텐서 크기를 기반으로 슬라이싱을 수행합니다.
6. 슬라이싱 결과의 크기를 확인합니다.

결과:

(3, 4, 5)
torch.Size([3, 4, 5])
(5, 4, 3)
(2, 4, 2)

참고:

• 텐서 슬라이싱은 파이썬 리스트 슬라이싱과 유사하게 작동합니다.

Tensor.size와 Tensor.shape 대체 방법

텐서의 차원 수 확인:

# 텐서의 차원 수 확인
x.dim()  # 3

특정 차원의 길이 확인:

# 특정 차원의 길이 확인
x.size(0)  # 3

텐서 크기 출력:

# 텐서 크기 출력
print(f"텐서 크기: {x.size()}")  # 텐서 크기: (3, 4, 5)

for 루프 사용:

# for 루프 사용하여 텐서 크기 출력
for i in range(x.dim()):
    print(f"차원 {i} 길이: {x.size(i)}")

NumPy 배열 사용:

# 텐서를 NumPy 배열로 변환 후 크기 확인
x_numpy = x.numpy()
print(f"텐서 크기: {x_numpy.shape}")  # 텐서 크기: (3, 4, 5)