pytorch_常见tensor操作

https://www.cnblogs.com/jiangkejie/p/10683531.html
https://blog.csdn.net/qq_41131535/article/details/92842307
https://zhuanlan.zhihu.com/p/76255917
https://www.cnblogs.com/jiangkejie/p/10683531.html

随机张量创建

https://blog.csdn.net/manduner/article/details/87343269

一 张量维度变换

transpose()、permute()、squeeze()、unsqueeze()

1.1 维度交换：transpose()、permute()

transpose一次只能交换任意两个维度，permute一次可以交换任意个维度；
transpose()参数只能有两个，permute()参数个数必须和原tensor相同；
permute中不变的维度参数用-1表示；
对于二维张量，transpose、permute实现的就是转置操作

test_tensor=torch.randn(2,3,4)
print(test_tensor)						# [１,２,３]
print(test_tensor.transpose(1,0))		# [２,１,３]，第１维和第０维交换
print(test_tensor.permute(1,0,-1))		# [２,１,３]，原第１维变到第０维，原第０维变到第１维，原第２维不变
print(test_tensor.permute(2,0,1))		# [３,１,２]，原第２维变到第０维，原第０维变到第１维，原第１维变到第２维

tensor([[[0.7801, 0.1460, 1.2772],
         [2.0538, 2.3125, 0.6436]]])
         
tensor([[[0.7801, 0.1460, 1.2772]],
        [[2.0538, 2.3125, 0.6436]]])
        
tensor([[[0.7801, 0.1460, 1.2772]],
        [[2.0538, 2.3125, 0.6436]]])
        
tensor([[[0.7801, 2.0538]],
        [[0.1460, 2.3125]],
        [[1.2772, 0.6436]]])

对变换的解释：
…

1.2 维度压缩：squeeze()、unsqueeze()

squeeze用于去掉tensor中长度为１的维度，如：1*2*3压缩为2*3，可以自动压缩所有长度为１的维度，也可以指定压缩某个维度，如果该维度的长度不为１，则不发生变化
unsqueeze用于添加一个长度为１的维度，如：2*3扩充为123，unsqueeze需要指定待扩充的维度

test_tensor=torch.randn(1,2,3)
print(test_tensor)
print(test_tensor.squeeze())
print(test_tensor.unsqueeze(0))

tensor([[[-0.4205, -0.0865, -0.3514],
         [-0.1979, -1.3624,  1.4863]]])
         
tensor([[-0.4205, -0.0865, -0.3514],
        [-0.1979, -1.3624,  1.4863]])
        
tensor([[[[-0.4205, -0.0865, -0.3514],
          [-0.1979, -1.3624,  1.4863]]]])

对压缩的解释：

二 张量变形

https://blog.csdn.net/qq_39507748/article/details/105381089
https://blog.csdn.net/xpy870663266/article/details/101616286

view()、reshape()、resize_()

1 view与reshape的区别
view操作的张量必须要在内存中连续分布，而transpose、permute操作会使得张量在内存中不连续，此时需要先使用contiguous()把张量变得连续分布，在用view变换。reshape在pytorch0.4和transpose、permute一起加入，相当于，contiguous().view()

2 view/reshape与reszize_的区别

浅拷贝：

view、reshape是对原张量的浅拷贝，resize_是原张量的直接引用。
由于是浅拷贝，所以view、reshape的操作不会影响到原张量的形状，原张量形状之后的变化也不会再影响到view、reshape得到的张量；
由于是直接引用，所以resize_是直接改变原张量并返回原张量的引用；
由于只是浅拷贝，所以view、reshape、原张量三者中任意一个改变了张量元素的数值，会同时影响这三者。

view、reshape中的参数表示变形后的维度，参数的数值是维度的长度；参数的乘积表示张量中元素的个数，必须和原张量相等，也就是说view、reshape变形得到的张量，不能改变元素个数，只能改变形状（维度数量、各维度的长度）；
resize_中参数的含义与view、reshape相同；但是，参数的乘积可以与必须和原张量中元素个数不相等，也就是说既可以改变形状、又可以改变元素个数。

验证：

test_tensor=torch.randn(1,2,3)
print(test_tensor)
new_tensor1=test_tensor.view(1,1,1,6)
new_tensor2=test_tensor.reshape(1,6,1,1)
new_tensor3=test_tensor.resize_(1,3,1,1)
print('第一组：－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－')
print(test_tensor)
print(new_tensor1)
print(new_tensor2)
print(new_tensor3)
print('第二组：－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－')
print(id(test_tensor))
print(id(new_tensor1))
print(id(new_tensor2))
print(id(new_tensor3))
print('第三组：－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－')
print(id(test_tensor[0]))
print(id(new_tensor1[0]))
print(id(new_tensor2[0]))
print(id(new_tensor3[0]))
print('第四组：－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－')
new_tensor1[0][0][0][0]=12345
print(test_tensor)
print(new_tensor1)
print(new_tensor2)
print(new_tensor3)

# 输出
tensor([[[-0.5990,  0.2711,  0.4092],
         [-0.1552, -0.9530, -0.3696]]])
第一组：－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－
tensor([[[[-0.5990]],
         [[ 0.2711]],
         [[ 0.4092]]]])
tensor([[[[-0.5990,  0.2711,  0.4092, -0.1552, -0.9530, -0.3696]]]])
tensor([[[[-0.5990]],
         [[ 0.2711]],
         [[ 0.4092]],
         [[-0.1552]],
         [[-0.9530]],
         [[-0.3696]]]])
tensor([[[[-0.5990]],
         [[ 0.2711]],
         [[ 0.4092]]]])
第二组：－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－
140620313335440
140620318192416
140620313465792
140620313335440
第三组：－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－
140620313459040
140620313459040
140620313459040
140620313459040