Numpy.transpose 与 tensor.permute

1. Numpy.transpose

如图，通过Print(three.shape), 可知原始的 original three ：

1.1 原始numpy 中每个维度上意义

three.shape = (2, 4, 3)

第一个数，代表矩阵个数 Num_matrix = 2,
第二个数，代表单个矩阵中的行数 row = 4;
第三个数，代表单个矩阵中的列数 col = 3;
那么当使用numpy.transpose（x1,x2,x3）,x1, x2, x3 没有使用正常顺序排列时，则代表各个逆序的位置上的数值改变， 也就是说该位置上元素代表的意义没有改变，只不过的数值上发生改变。

1.2 transpose 中每个维度上意义

而当出现 transpose 时， 代表的是需要进行置换的维度；

Numpy.transpose(2,1,0):
使用以上transpose之后，想要改变两部分的内容，即矩阵的个数 和 单个矩阵中的列数
改变后矩阵的个数 = 原始 Original three 中列数
改变后 单个矩阵中的列数 = 原始original three 中矩阵的个数。

明白的说，
1:原来的 original three（2，4，3）代表的是有2 个 4 * 3 的矩阵，
2:通过numpy.transpose (2, 1, 0) 想要将原始的第0个位置上的数 和第2个位置上的数互换. 将变成 three（3，4，0）；
3:变换之后，得到 3 个 4 * 2 的矩阵；

有人可能会问，由2个4 * 3 的矩阵，变换成 3个4 * 2 的矩阵时候，在组成第一新的矩阵时， 为什么不直接取原始第一个矩阵中的连续两列，来形成一个新矩阵。
答： 由2个4*3 的矩阵，变换成 3个4 * 2 的矩阵时， 单个矩阵的行数是没有变的，又想从两个矩阵变成三个矩阵， 而原始单个矩阵中只有3列，如果每次取2列，取三次是不够的，所以从每个矩阵取一列。

同理，numpy.transpose(1, 0 , 2) 想要达到的目的是：将原始总矩阵的数目 和 原始单个矩阵的行数， 这两个数值进行互换。

2. tensor.permute

将tensor的维度换位。

参数： - dims (int …*) - 换位顺序

2.1 实例

>>> x = torch.randn(2, 3, 5) 
>>> x.size() 
torch.Size([2, 3, 5]) 
>>> x.permute(2, 0, 1).size() 
torch.Size([5, 2, 3])

2.2 transpose 与permute 的区别

permute相当于可以同时操作于tensor的若干维度，transpose只能同时作用于tensor的两个维度；

1. torch.transpose(Tensor, a,b)：transpose只能操作2D矩阵的转置，有两种调用方式；

另：连续使用transpose也可实现permute的效果：

>>torch.randn(2,3,4,5).transpose(3,0).transpose(2,1).transpose(3,2).shape
torch.Size([5, 4, 2, 3])
>>torch.randn(2,3,4,5).transpose(1,0).transpose(2,1).transpose(3,1).shape
torch.Size([3, 5, 2, 4])

2. Tensor.permute(a,b,c,d, …)：permute函数可以对任意高维矩阵进行转置，但没有 torch.permute() 这个调用方式， 只能 Tensor.permute()：

>>> torch.randn(2,3,4,5).permute(3,2,0,1).shape
torch.Size([5, 4, 2, 3])