Pytorch张量维度操作

张量维度扩充

torch.cat(seq,dim=0,out=None)

torch.cat()是将张量序列在维度dim上进行拼接操作。
参数说明：

• seq (sequence of Tensors) - Python序列或相同类型的张量序列
• dim (int, optional) - 沿着此维度连接张量
• out (Tensor, optional) - 输出参数

例子：

import torch 
x = torch.randn(1,2)
print(x)
print(x.size())
# dim = 0
y = torch.cat((x,x),0)
print(y)
print(y.size())
# dim = 1
z = torch.cat((x,x),1)
print(z)
print(z.size())

tensor([[-1.0672, -0.0664]])
torch.Size([1, 2])
tensor([[-1.0672, -0.0664],
[-1.0672, -0.0664]])
torch.Size([2, 2])
tensor([[-1.0672, -0.0664, -1.0672, -0.0664]])
torch.Size([1, 4])

torch.Tensor.expand(*sizes)

返回张量的一个新视图，可以将张量的单个维度扩大为更大的尺寸。
张量也可以扩大为更高维，新增加的维度将附在前面。 扩大张量不需要分配新内存，仅仅是新建一个张量的视图。任意一个一维张量在不分配新内存情况下都可以扩展为任意的维度。
传入-1则意味着维度扩大不涉及这个维度。
参数：
sizes (torch.Size or int…) – 想要扩展的目标维度
例子：

import torch
x = torch.randn(3)
print(x)
print(x.size())
y = x.expand(3,4)
print(y)
print(y.size())

这样使用，会报错的，
RuntimeError: The expanded size of the tensor (4) must match the existing size (3) at non-singleton dimension 1. Target sizes: [3, 4]. Tensor sizes: [3]
因为默认的是向前拓展维度，所以拓展的最后一个维度必须是3，如果想要向后拓展，可以先增加x的一个维度，操作如下：

import torch
x = torch.randn(3)
print(x)
print(x.size())
y = x.unsqueeze(1).expand(3,4)
print(y)
print(y.size())

tensor([0.8265, 0.5117, 0.8278])
torch.Size([3])
tensor([[0.8265, 0.8265, 0.8265, 0.8265],
[0.5117, 0.5117, 0.5117, 0.5117],
[0.8278, 0.8278, 0.8278, 0.8278]])
torch.Size([3, 4])

张量压缩（删除是1的维度）

torch.squeeze(input, dim=None, out=None)

除去输入张量input中数值为1的维度，并返回新的张量。如果输入张量的形状为Ax1xBx1xC，那么输出张量的形状为AxBxC。

当通过dim参数指定维度时，维度压缩操作只会在指定的维度上进行。如果输入向量的形状为Ax1xB，squeeze(input, 0)会保持张量的维度不变，只有在执行squeeze(input, 1)时，输入张量的形状会被压缩至AxB。
如果一个张量只有1个维度，那么它不会受到上述方法的影响。
输出的张量与原张量共享内存，如果改变其中的一个，另一个也会改变。
参数:
input (Tensor) – 输入张量
dim (int, optional) – 如果给定，则只会在给定维度压缩
out (Tensor, optional) – 输出张量
例子：

import torch
x = torch.randn((2,1,3,1,4))
print(x)
print(x.size())
# 删除所有的为1的维度
y = torch.squeeze(x)
print('删除所有的为1的维度')
print(y)
print(y.size())
# 在第0维上压缩,实际上不变
y = torch.squeeze(x, 0)
print('在第0维上压缩,实际上不变')
print(y)
print(y.size())
# 在第1维上压缩
y = torch.squeeze(x, 1)
print('在第1维上压缩')
print(y)
print(y.size())

tensor([[[[[ 1.0232, -0.0252, -0.1088, -1.8738]],
[[-1.5453, 0.1855, -1.1249, 1.4581]],
[[ 0.5415, -0.3716, 0.2359, 0.9390]]]],
[[[[-0.8668, 0.5324, 0.7221, 0.6134]],
[[-0.4285, 0.5667, 0.5340, -0.6971]],
[[ 1.8294, 0.0185, -0.2730, 0.0775]]]]])
torch.Size([2, 1, 3, 1, 4])
删除所有的为1的维度
tensor([[[ 1.0232, -0.0252, -0.1088, -1.8738],
[-1.5453, 0.1855, -1.1249, 1.4581],
[ 0.5415, -0.3716, 0.2359, 0.9390]],
[[-0.8668, 0.5324, 0.7221, 0.6134],
[-0.4285, 0.5667, 0.5340, -0.6971],
[ 1.8294, 0.0185, -0.2730, 0.0775]]])
torch.Size([2, 3, 4])
在第0维上压缩,实际上不变
tensor([[[[[ 1.0232, -0.0252, -0.1088, -1.8738]],
[[-1.5453, 0.1855, -1.1249, 1.4581]],
[[ 0.5415, -0.3716, 0.2359, 0.9390]]]],
[[[[-0.8668, 0.5324, 0.7221, 0.6134]],
[[-0.4285, 0.5667, 0.5340, -0.6971]],
[[ 1.8294, 0.0185, -0.2730, 0.0775]]]]])
torch.Size([2, 1, 3, 1, 4])
在第1维上压缩
tensor([[[[ 1.0232, -0.0252, -0.1088, -1.8738]],
[[-1.5453, 0.1855, -1.1249, 1.4581]],
[[ 0.5415, -0.3716, 0.2359, 0.9390]]],
[[[-0.8668, 0.5324, 0.7221, 0.6134]],
[[-0.4285, 0.5667, 0.5340, -0.6971]],
[[ 1.8294, 0.0185, -0.2730, 0.0775]]]])
torch.Size([2, 3, 1, 4])

重复张量

torch.Tensor.repeat(*sizes)

沿着指定的维度重复张量。不同于expand()方法，本函数复制的是张量中的数据。
参数：
size (torch.size ot int…) - 沿着每一维重复的次数
例子：

import torch
x = torch.randn((2))
print(x)
print(x.size())
# 行方向复制3倍，列方向复制4倍，整体复制
y = x.repeat(3,4)
print(y)
print(y.size())

tensor([ 1.4610, -0.1669])
torch.Size([2])
tensor([[ 1.4610, -0.1669, 1.4610, -0.1669, 1.4610, -0.1669, 1.4610, -0.1669],
[ 1.4610, -0.1669, 1.4610, -0.1669, 1.4610, -0.1669, 1.4610, -0.1669],
[ 1.4610, -0.1669, 1.4610, -0.1669, 1.4610, -0.1669, 1.4610, -0.1669]])
torch.Size([3, 8])

torch.Tensor.unfold(dim, size, step)
返回一个新的张量，其中元素复制于有原张量在dim维度上的数据，复制重复size次，复制时的步进值为step。
参数：
dim (int) - 目标维度
size (int) - 复制重复的次数（展开维度）
step (int) - 步长
例子：

import torch
x = torch.randn((5))
print(x)
print(x.size())
# 复制第0维上的数据，复制2次，复制的步长为1
y = x.unfold(0,2,1)
print(y)
print(y.size())

tensor([ 0.0283, 0.1335, -1.2315, -0.8102, 1.2055])
torch.Size([5])
tensor([[ 0.0283, 0.1335],
[ 0.1335, -1.2315],
[-1.2315, -0.8102],
[-0.8102, 1.2055]])
torch.Size([4, 2])

缩小张量

torch.Tensor.narrow(dimension, start, length)

返回一个经过缩小后的张量，多余的元素删除。操作的维度由dimension指定。缩小范围是从start开始到start+length。执行本方法的张量与返回的张量共享相同的底层内存。
参数：
dimension (int) – 要进行缩小的维度
start (int) – 维度索引的起始位
length (int) – 保留车长度
例子：

import torch
x = torch.randn((3,3))
print(x)
print(x.size())
# 在维度0上缩小，从0开始，数两个
y = x.narrow(0,0,2)
print('*******')
print(y)
print(y.size())
# 在维度0上缩小，从1开始，数两个
y = x.narrow(0,1,2)
print('*******')
print(y)
print(y.size())
# 在维度1上缩小，从0开始，数两个
y = x.narrow(1,0,2)
print('*******')
print(y)
print(y.size())

tensor([[ 0.6879, -0.9074, -0.8069],
[-1.4223, 0.7848, -1.0517],
[-0.8015, 0.5503, 1.1616]])
torch.Size([3, 3])

---

tensor([[ 0.6879, -0.9074, -0.8069],
[-1.4223, 0.7848, -1.0517]])
torch.Size([2, 3])

---

tensor([[-1.4223, 0.7848, -1.0517],
[-0.8015, 0.5503, 1.1616]])
torch.Size([2, 3])

---

tensor([[ 0.6879, -0.9074],
[-1.4223, 0.7848],
[-0.8015, 0.5503]])
torch.Size([3, 2])

张量变形

torch.Tensor.view(*args)

返回一个有相同数据但是不同形状的新的向量。
返回的装两必须与原张量有相同的数据和相同的元素个数，但是可以有不同的尺寸。
参数：
args (torch.Size or int…) - 理想的指定尺寸
例子：

import torch
x = torch.randn((3,4))
print(x)
print(x.size())
# 改变形状,按行扫描
y = x.view(2,6)
print('*******')
print(y)
print(y.size())

tensor([[ 0.2112, 1.5160, 1.8517, -0.1830],
[-0.5600, -0.5484, -0.0596, -0.0722],
[ 0.3125, -0.4918, -1.5547, 0.3193]])
torch.Size([3, 4])

---

tensor([[ 0.2112, 1.5160, 1.8517, -0.1830, -0.5600, -0.5484],
[-0.0596, -0.0722, 0.3125, -0.4918, -1.5547, 0.3193]])
torch.Size([2, 6])

重设张量尺寸

torch.Tensor.resize_(*sizes)

将张量的尺寸调整为指定的大小。如果元素个数比当前的内存大小大，就将底层存储大小调整为与新元素数目一致的大小。
如果元素个数比当前内存小，则底层存储不会被改变。原来张量中被保存下来的元素将保持不变，但新内存将不会被初始化。
参数：
sizes (torch.Size or int…) - 需要调整的大小
例子：

import torch
x = torch.randn((3,4))
print(x)
print(x.size())

y = x.resize_(3,3)
print('*******')
print(y)
print(y.size())

y = x.resize_(4,4)
print('*******')
print(y)
print(y.size())

tensor([[ 0.2470, -0.7461, 0.3314, 0.1723],
[-0.3906, -0.3396, -2.2285, 1.7582],
[-0.9763, 1.9427, 0.3674, 1.3971]])
torch.Size([3, 4])

---

tensor([[ 0.2470, -0.7461, 0.3314],
[ 0.1723, -0.3906, -0.3396],
[-2.2285, 1.7582, -0.9763]])
torch.Size([3, 3])

---

tensor([[ 2.4695e-01, -7.4609e-01, 3.3135e-01, 1.7228e-01],
[-3.9056e-01, -3.3962e-01, -2.2285e+00, 1.7582e+00],
[-9.7632e-01, 1.9427e+00, 3.6742e-01, 1.3971e+00],
[ 0.0000e+00, 4.2246e-39, 0.0000e+00, 0.0000e+00]])
torch.Size([4, 4])

调换张量的维度

torch.Tensor.permute(*dims)

将执行本方法的张量的维度换位。
参数：
dim (int) - 指定换位顺序
例子：

import torch
x = torch.randn((1,2,3))
print(x)
print(x.size())

y = x.permute(2,0,1)
print('*******')
print(y)
print(y.size())

tensor([[[ 0.3598, 0.9950, 0.0607],
[-0.6146, 0.4286, 1.9699]]])
torch.Size([1, 2, 3])

---

tensor([[[ 0.3598, -0.6146]],
[[ 0.9950, 0.4286]],
[[ 0.0607, 1.9699]]])
torch.Size([3, 1, 2])

查看张量单个元素的字节数

torch.Tensor.element_size()

查看某类型张量单个元素的字节数。
例子：

import torch
x = torch.randn((1,2,3))
print(x.element_size())

4

原文链接：https://zhuanlan.zhihu.com/p/31495102