torch常用指令一

一：view()、reshape()、resize_()

view和reshape都是一种无脑的转化shape的方法，都是浅拷贝，会破坏原来的数据顺序。view必须满足连续性要求，一般在transpose等操作后再view都会报错，因为元数据不连续了。但是reshape却可以，这是因为reshape在不连续情况下，会自动contiguous，将不连续数据深拷贝为新的连续数据，然后再执行view操作，如下图：
而resize呢，前面说到的 reshape 和 view 都必须要用到全部的原始数据，比如你的原始数据只有12个，无论你怎么变形都必须要用到12个数字，不能多不能少。因此你就不能把只有12个数字的 tensor 强行 reshap 成 2*5 的维度的tensor。但是 resize_() 可以做到，无论你存储区原始有多少个数字，我都能变成你想要的维度，数字不够怎么办？随机产生凑！数字多了怎么办？就取我需要的部分！

二：size()、shape

tensor.size()等价于 tensor.shape，前者是方法调用，返回该张量的形状，后者则是attribute查询。下图举例说明：

a = torch.tensor([1, 2, 3, 4, 5, 6]).reshape(2,3)
new_a_shape = a.size() + (2,) #注意！！如果元组中只有一位数据，后面要加逗号，不然作int处理
							# 那么元组拼接会报错
print(new_a_shape)

三：permute()、transpose()、view()、contiguous()

permute可以转换任意个数的维度，transpose只能调换两个维度。两者实际是一种浅拷贝，破坏了连续性，只是呈现的shape形式改变了。

view也是一种转换shape维度的方式，也是一种浅拷贝，但不会破坏连续性。

区别：实际一个多维的torch数组存放在内存中是被拉直的一维形式，view只是单纯的按顺序填充给定的shape，但是破坏了原先的数值顺序。而permute和transpose是一种“忠诚”的转换方式，保护了数据的顺序。

联动用法：比如一个shape为[6,7,2,8]的tensor-a，我想先转换为[6,2,7,8]把最后两维拼在一起，得到[6,2,56]，要求不能破坏原始的数据存储顺序。常用的操作流程如下：

target = 56
b = a.permute(0, 2, 1, 3).contiguous()
new_b_shape = b.shape[:-2] + (target,) # torch.Size(6, 2, 56)
c = b.view(*new_b_shape)

四：squeeze()、unsqueeze()、expand()

squeeze()用来去除值是1的维度，也可以指定index。unsqueeze是给指定index处添加一个维度。expand()是利用广播极值来扩展维度，一般接在unsqueeze()后使用。注意，也都是浅拷贝！！见下图测试举例：