permute函数_permute()和view()

前几天使用pytorch时，需要对tensor进行转置，请注意要使用函数permute()而不是view()

很简单，只需要举两个例子就明白区别，view()的运行方式是这样的：

a = torch.tensor([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
b = a.view(4,3)

b = tensor([[ 1,  2,  3],
        [ 4,  5,  6],
        [ 7,  8,  9],
        [10, 11, 12]])

张量a的size是2x2x3，使用view函数后，先将这12个元素排成一列，然后将其依次填充至新的4x3的张量中：

为了更细致，我们需要描述一下它们的具体操作流程（这并不是源码的流程，只是为了便于理解、记忆），因为二维比较直观，如果维度比较高的话，可能还是不够直观，心里老是有疑虑，还是以上面例子为例，张量a的每一个元素都有一个index，例如1的index是(0,0,0)，7的index是(1,0,0)，11的index是(1,1,1)......在拉成列向量排列时，排列规则是这样的，以(0,0,0)开始，维度从最后一维循环到第一维，在每一维内以升序将所有元素排成一列，即：

然后依据新的size对每个元素给予新的index，仍然是维度从最后一维循环到第一维，在每一维内升序，即

接下来，说一下permute()，函数的参数为新的维度顺序，例如想交换第一维与第三维的index，则tensor.permute(2,1,0)，同样举一个简单第二维与第三维的例子，

a = torch.tensor([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
b = a.permute(0,2,1)

b = tensor([[[ 1,  4],
         [ 2,  5],
         [ 3,  6]],
        [[ 7, 10],
         [ 8, 11],
         [ 9, 12]]])

当维度比较大，交换维度的结果并不直观，我们还是说下permute到底做了什么，示意图如下。

需要说明一下，这里面的流程其实就是更改每个元素的index而已，上述例子中只是交换坐标，

然后按照新的index更改下各元素的位置并展示出即可。

所以，一般需要将tensor拉开时使用view()，而在需要转置时使用permute()。