PyTorch深度学习基础之Tensor的变换、拼接和拆分

PyTorch提供了大量的对Tensor进行操作的函数或方法，这些函数内部使用指针实现对矩阵的形状变换，拼接，拆分等操作，使得我们无须关心Tensor在内存的物理结构或者管理指针就可以方便且快速的执行这些操作。

Tensor.nelement()，Tensor.ndimension()，ndimension.size()可分别用来查看矩阵元素的个数，轴的个数（维度数））以及维度，属性Tensor.shape也可以用来查看Tensor的维度。

在PyTorch中，Tensor.reshape和Tensor.view都能被用来更改Tensor的维度。

它们的区别在于，Tensor.view要求Tensor的物理存储必须是连续的，否则将报错，而Tensor.reshape则没有这种要求。 但是，Tensor.view返回的一定是一个索引，更改返回值，则原始值同样被更改，Tensor.reshape返回的是引用还是拷贝是不确定的。

它们的相同之处都接收要输出的维度作为参数，切输出的矩阵元素个数不能改变，可以在维度中输入-1，PyTorch会自动推断它的数值。

建议所有情况下使用reshape

torch.squeeze和torch.unsqueeze用来给Tensor去掉和添加轴（维度）。

torch.squeeze去掉维度为１的轴

torch.unsqueeze用于给Tensor的指定位置添加一个维度为１的轴

torch.t和torch.transpose用于转置二维矩阵。

这两个函数只接收二维Tensor，torch.t是torch.transpose的简化版。

转置矩阵

将矩阵的行列互换得到的新矩阵称为转置矩阵，转置矩阵的行列式不变。

torch.t和torch.transpose用于转置二维矩阵。

这两个函数只接收二维Tensor，torch.t是torch.transpose的简化版。

对于高维度Tensor，可以使用permute方法来变换维度。

PyTorch提供了torch.cat和torch.stack用于拼接矩阵。

torch.cat(tensors, dim)： tensors里不同张量对应的待拼接维度的size可以不一致，但是其他维度的size要保持一致。

torch.stack(tensors, dim)：tensors里所有张量的维度要保持一致，否则会报错

区别： torch.cat会在dim的维度上进行合并，不会扩展出新的维度。

torch.stack则会在dim的维度上拓展出一个新的维度，然后进行拼接，该维度的大小为tensors的个数。

torch.split和

torch.chunk用于拆分矩阵。

torch.chunk(input, chunks, dim)：

chunks是均匀分割的份数，如果在进行分割的维度上的size不能被chunks整除，则最后一份tensor会略小（也可能为空）。

torch.split(input, split_size_or_sections, dim=0)：

torch.split()可以说是torch.chunk()的升级版，它不仅可以按份数均匀分割，还可以按特定的方案进行分割。 如果第二个参数是分割份数，这就和torch.chunk()一样了；第二种是分割方案，是一个list类型的数据，待分割的张量将会被分割为len(list)份，每一份的大小取决于list中的元素。