tensor维度变换

作用	函数
不变大小改变shape	view / reshape
删减与增加维度	squeeze / unsqueeze
维度扩展	expand / repeat
矩阵转置，单次和多次交换操作	t / transpose / permute

1、 view reshape

view与reshape效果一致，且可以通用。直接以view为例：

a = torch.rand(4,1,28,28)
a.view(4,28*28)

2、squeeze unsqueeze

① unsqueeze

新插入一个维度，这个维度的插入不会改变数据本身。
在a中插入维度指定索引：[-a.dim()-1, a.dim()+1)

a.shape
a.unsqueeze(0).shape
a.unsqueeze(-5).shape

a.unsqueeze(-1).shape
a.unsqueeze(4).shape

通过简单的数据例子理解增加维度的效果：

b = torch.tensor([1.2, 2.4])
#shape为（1,2）
b.unsqueeze(-1)
#将所有最小维度单位的元素再放入一个小盒子中，并不改变数据本身
b.unsqueeze(0)
#将所有维度数据整体放入一个大袋子中

②squeeze

与unsqueeze相反，挤压掉指定维度

b.squeeze(idx)
b = torch.rand(1, 32, 1, 1)
b.squeeze().shape #将其他维度都是1的给挤压掉
b.squeeze(0).shape
b.squeeze(-1).shape

3、expand repeat

expand与repeat之间，推荐使用expand。
expand改变了我们对数据的理解方式，但没有增加数据，repeat实实在在增加了数据，两种方法最终的效果是等效的，区别在于expand不会主动复制数据，只会在有需要的时候复制。

a = torch.rand(4, 32, 14, 14)

b.shape #（1， 32， 1， 1）

b.expand(4, 32, 14, 14).shape
#只有原维度是1在expand的时候不会报错，这里32不需要expand

b.expand(-1, 32, -1, -1).shape
#-1表示保持原维度大小不变，这里只改变第二维度，从32变为32，相当于没变

# repeat函数中输入的参数不是要变换得到的维度大小，而是copy的次数

b.repeat(4,1,14,14)
第一维度复制4次，三四维度复制14次

4、t transpose permute

① .t

该方法只能适用于2D的tensor，即只能适用于矩阵

a = torch.randn(3, 4)
a.t().shape

② transpose

要人为跟踪好维度顺序
原为 [b, c, h, w] -> 索引1、3维度交换顺序后为 [b, w, h, c]
！要变回原shape，一定要保证w和h的顺序不乱！

a.shape # [4, 3, 32, 32]

a1 = a.transpose(1, 3).contiguous().view(4, 3*32*32).view(4, 3, 32, 32)
# 加入contiguous函数避免数据顺序问题报错
#a1中的 3*32*32，是c*w*h，顺序不对

a2 = a.transpose(1, 3).contiguous.view(4, 3*32*32).view(4,32*32*3).transpose(1,3)
#a2中的32*32*3是w*h*c，此时在1、3交换，就变回原来的a

# 验证a1和a2与a的数据一致性关系
torch.all(torch.eq(a, a1))
torch.all(torch.eq(a, a2))

③ permute

permute使用相对简单且易理解

以dim=4的张量b为例
b = torch.rand(4, 3, 28, 32)
b.permute(0, 2，3, 1)
# [b, c, w, h],只想让c的维度移到后面，图片信息w和h的顺序不变，直接指定索引变换，c对应的维度索引为1，移动到最后。
transpose等效操作：
b.transpose(1,3).transpose(1,2)