torch.Tensor下常用的函数

（1）torch.Tensor.permute (重新排列维度-不能改变维度)

（2）torch.Tensor.view（按照原维度-改变维度）

---

（1）torch.Tensor.permute 

官网：https://pytorch.org/docs/stable/tensors.html#torch.Tensor.permute

torch.Tensor.permute 重新排列tensor中的维度。tensor.(1,2,0) 其中1,2,0是tensor结构对应的维度。

>>> x = torch.randn(2, 3, 5)
>>> x.size()
torch.Size([2, 3, 5])
>>> x.permute(2, 0, 1).size() ####维度转换(0,1,2)->(2,0,1)
torch.Size([5, 2, 3])

（2）torch.Tensor.view

官网：https://pytorch.org/docs/stable/tensors.html#torch.Tensor.view

torch.Tensor.view 按照原来tensor结构和现在想要的结构，重新组织tensor中的数字，形成新的大小。

import torch
a = torch.rand(3,4,6)
print(a.view(3,-1,8).size())

output：
torch.Size([3, 3, 8])

本质：就是将3*4*6个数字，按照view()中指定的大小，从新排列，排列的过程就是tensor中的从左到右，从上到下。如果指定中出现“-1”，那么就是将其他维度排好后再排列这个维度。

import torch
a = torch.rand(2,3,4,6)
print(a.transpose(1,2).size())
print(a.view(2,4,3,6).size())
print(torch.equal(a.transpose(1,2),a.view(2,4,3,6)))

output：
torch.Size([2, 4, 3, 6])
torch.Size([2, 4, 3, 6])
False

官方还给出了上面例子，来说明view()函数，可以看出虽然维度相同，但是判断的时候两者并不相同。这是因为在transpose()的时候将dim=1和2的数据进行了转置（调换）（没有破坏原维度上的数据），但是view()中是以a中的数据为基础，将2*3*4*6个数据从新按照2,4,3,6的结构重新排列，里面的数据并不是维度上的转置（破坏了原来的维度，从新排）。