# view() 轉(zhuǎn)換維度
# reshape() 轉(zhuǎn)換維度
# permute() 坐標(biāo)系變換
# squeeze()/unsqueeze() 降維/升維
# expand() 擴(kuò)張張量
# narraw() 縮小張量
# resize_() 重設(shè)尺寸
# repeat(), unfold() 重復(fù)張量
# cat(), stack() 拼接張量
1 tensor.view()
view() 用于改變張量的形狀，但不會(huì)改變張量中的元素值。
用法1：
例如，你可以使用view 將一個(gè)形狀是（2，3）的張量變換成（3，2）的張量；
import torch
x = torch.tensor([[1, 2, 3], [4, 5, 6]])
y = x.view(3, 2)
上面的操作相當(dāng)于，先把形狀為**（2，3）的tensor展平，變成（1，6），然后再變成（3，2）.**
用法2：
轉(zhuǎn)換前后張量中的元素個(gè)數(shù)不變。view()中若存在某一維的維度是-1，則表示該維的維度根據(jù)總元素個(gè)數(shù)和其他維度尺寸自適應(yīng)調(diào)整。注意，view()中最多只能有一個(gè)維度的維數(shù)設(shè)置成-1。
z = x.view(-1,2)
舉例子：
在卷積神經(jīng)網(wǎng)絡(luò)中，經(jīng)常會(huì)在全連接層用到view進(jìn)行張量的維度拉伸：
假設(shè)輸入特征是BCH*W的4維張量，其中B表示batchsize，C表示特征通道數(shù)，H和W表示特征的高和寬，在將特征送入全連接層之前，會(huì)用.view將轉(zhuǎn)換為B*(CHW)的2維張量，即保持batch不變，但將每個(gè)特征轉(zhuǎn)換為一維向量。
2 tensor.reshape()
reshape()與view()使用方法相同。
3 tensor.squeeze()和tensor.unsqueeze()
3.1 tensor.squeeze() 降維
（1）若squeeze()括號(hào)內(nèi)為空，則將張量中所有維度為1的維數(shù)進(jìn)行壓縮，如將1,2,1,9的張量降維到2,9維；若維度中無(wú)1維的維數(shù)，則保持源維度不變，如將234維的張量進(jìn)行squeeze，則轉(zhuǎn)換后維度不會(huì)變。
（2）若squeeze(idx)，則將張量中對(duì)應(yīng)的第idx維的維度進(jìn)行壓縮，如1,2,1,9的張量做squeeze(2)，則會(huì)降維到1,2,9維的張量；若第idx維度的維數(shù)不為1，則squeeze后維度不會(huì)變化。
例如：
3.2 tensor.unsqueeze(idx)升維
在第idx維進(jìn)行升維，將tensor由原本的維度n，升維至n+1維。如張量的維度維2*3，經(jīng)unsqueeze(0)后，變?yōu)?,2,3維度的張量。
4 tensor.permute()
坐標(biāo)系轉(zhuǎn)換，即矩陣轉(zhuǎn)置，使用方法與numpy array的transpose相同。permute()括號(hào)內(nèi)的參數(shù)數(shù)字指的是各維度的索引值。permute是深度學(xué)習(xí)中經(jīng)常需要使用的技巧，一般的會(huì)將BCHW的特征張量，通過(guò)轉(zhuǎn)置轉(zhuǎn)化為BHWC的特征張量，即將特征深度轉(zhuǎn)換到最后一個(gè)維度，通過(guò)調(diào)用**tensor.permute(0, 2, 3, 1)**實(shí)現(xiàn)。
torch.transpose只能操作2D矩陣的轉(zhuǎn)置，而permute()函數(shù)可以對(duì)任意高維矩陣進(jìn)行轉(zhuǎn)置；
簡(jiǎn)單理解：permute()相當(dāng)于可以同時(shí)操作tensor的若干維度，transpose只能同時(shí)作用于tensor的兩個(gè)維度。
permute和view/reshape雖然都能將張量轉(zhuǎn)化為特定的維度，但原理完全不同，注意區(qū)分。view和reshape處理后，張量中元素順序都不會(huì)有變化，而permute轉(zhuǎn)置后元素的排列會(huì)發(fā)生變化，因?yàn)樽鴺?biāo)系變化了。
5 torch.cat([a,b],dim)
在第dim維度進(jìn)行張量拼接，要注意維度保持一致。
假設(shè)a為h1w1的二維張量，b為h2w2的二維張量，torch.cat(a,b,0)表示在第一維進(jìn)行拼接，即在列方向拼接，所以w1和w2必須相等。torch.cat(a,b,1)表示在第二維進(jìn)行拼接，即在行方向拼接，所以h1和h2必須相等。
假設(shè)a為c1h1w1的二維張量，b為c2h2w2的二維張量，torch.cat(a,b,0)表示在第一維進(jìn)行拼接，即在特征的通道維度進(jìn)行拼接，其他維度必須保持一致，即w1=w2，h1=h2。torch.cat(a,b,1)表示在第二維進(jìn)行拼接，即在列方向拼接，必須保證w1=w2，c1=c2；torch.cat(a,b,2)表示在第三維進(jìn)行拼接，即在行方向拼接，必須保證h1=h2，c1=c2；
6 tensor.expand()
擴(kuò)展張量，通過(guò)值復(fù)制的方式，將單個(gè)維度擴(kuò)大為更大的尺寸。使用expand()函數(shù)不會(huì)使原tensor改變，需要將結(jié)果重新賦值。下面是具體的實(shí)例：
以二維張量為例：tensor是1n或n1維的張量，分別調(diào)用tensor.expand(s, n)或tensor.expand(n, s)在行方向和列方向進(jìn)行擴(kuò)展。
expand()的填入?yún)?shù)是size
7 tensor.narrow(dim, start, len)
narrow()函數(shù)起到了篩選一定維度上的數(shù)據(jù)作用.
torch.narrow(input, dim, start, length)->Tensor
input是需要切片的張量，dim是切片維度，start是開(kāi)始的索引，length是切片長(zhǎng)度，實(shí)際應(yīng)用如下：
8 tensor.resize_()
尺寸變化，將tensor截?cái)酁閞esize_后的維度.
9 tensor.repeat()
tensor.repeat(a,b)將tensor整體在行方向復(fù)制a份，在列方向上復(fù)制b份
參考：
pytorch中與tensor維度變化相關(guān)的函數(shù)（持續(xù)更新） - weili21的文章 - 知乎
https://zhuanlan.zhihu.com/p/438099006文章來(lái)源：http://www.zghlxwxcb.cn/news/detail-738282.html
【pytorch tensor張量維度轉(zhuǎn)換（tensor維度轉(zhuǎn)換）】
https://blog.csdn.net/x_yan033/article/details/104965077文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-738282.html
到了這里，關(guān)于關(guān)于pytorch張量維度轉(zhuǎn)換大全的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
