pytorch学习笔记之pytorch基础二（索引与切片、维度变换）

索引与切片

Indexing 直接索引

• 以下方程序为例 ，首先创建的 tensor -> (4,3,28,28) 分别为batch_size ; channel ; h ; w
• a[0] 索引代表 batch的每张图片的 channel , h , w
• a[0,0] 索引代表 第一张图片第一个通道的 h和w
• a[0,0,2,4] 索引代表 第一张图片第一个通道第2行4列像素点的值
  

： 采样索引

• 在下例中 ， a[ :2] 代表前两张图片的 channel, h ,w
• a[:2 , 1: , :, :] 代表前两张图片中最后一个通道的 h,w
• 注： 如有两个冒号，第二个冒号后的数字代表隔位采样
  

… 任意维度

• … 代表取任意维度
• 在下例中， a[…] 代表取所有维度 ； a[0,…] 代表取第一个图片的channel , h, w
  

维度变换

.view( ) 合并维度

• 采用 .view() 操作可以合并维度，但总size不变，也就是说只改变其意义，不改变其值
• 如下例所示，a.view(4,28*28) 即是将 （1，28，28）的信息合并处理，在实际意义中就是将通道信息、图片的具体长、宽信息整和为一个特征，结果得到（4，784）的size ，常用于全连接层
• 而 a.view(4*1,28,28) 则是只关注图片的特征信息，而忽略是是哪张图片、哪个通道的信息
  

Squeeze \ unsqueeze 删减 \ 增加维度

• .unsqueeze( a ) -> 在a的前一个位置上增加一个维度（注，若a是负数，从后往前算，且是在其之后增加维度）
  
• squeeze(a) 删除维度的格式与 .unsqueeze( a ) 一样，但若不输入参数a，则会把所有为1的维度删除（挤压）掉
  

expand / repeat 维度扩展

• expand / repeat 两种方法效果差不多，但一般使用expand而不使用 repeat
• 两种方法只可以将原来为1的维度转化为新的维度大小 （复制原来为1的内容，填充新的size）
• expand 参数中的 -1 代表原来的维度，若写为 -1 ，代表是原来的维度大小不变
• 注意，下例中的 -4为bug，虽然有输出，但无实际意义
  
• repeat 中的参数表示 该维度大小重复的次数，为 1 即为重复1 次
  

Transpose / t / permute 转置

• 可以直接使用 .t () 来求转置，但其只能运用于2D矩阵，对于3，4D数据不支持操作
  
• .transpose(a,b) 可以直接交换 a,b 维度的值，但会使数据不连续，所以常使用 .transpose(a,b).contiguous(),即通过 .contiguous() 函数将数据重新变得连续
  
• .permute(a,b,c,d) 函数可以转换每个维度的size，如下例所示，b.permute(0,2,3,1) 是将原来第二位的维度和最后一维的做了交换，初始的位置应为（0,1,2,3）