pytorch中tensor的一些操作小结

以下小结为本人结合实验后得出的结论，如有错误或补充欢迎指正交流。（持续更新）

tensor.expand()

这个方法可以扩张维度，返回当前张量在某维扩展更大后的张量，但是被扩张的维度里的元素只能唯一。

tensor.squeeze()

将维度压缩到最紧凑的状态
至于为啥要压缩，也不是很清楚

tensor.view()

将矩阵变成想要的形状

参数为该维度中元素个数，如图dim=0的元素个数为3，dim=1的元素个数为2，dim=2的元素个数为1。（图中x = tensor([[1, 2, 3]]请忽略）

torch.contiguous()

view只能用在contiguous的variable上。

如果在view之前用了transpose, permute等，需要用contiguous()来返回一个contiguous copy。

torch.permute()

进行维度交换，permute(1, 0, 2)代表原来的第0维与第1维交换，第2维不变。
这个很玄学，至今没搞太懂，只知道它是交换维度，具体交换的原理没懂。

torch.unsqueeze(i)

这个函数可以在i维度添加1个维度。为什么需要？

这个功能用view()函数也可以实现。这一功能尤其在神经网络输入单个样本时很有用，由于pytorch神经网络要求的输入都是mini-batch型的，维度为[batch_size, channels, w, h]，而一个样本的维度为[c, w, h]，此时用unsqueeze()增加一个维度变为[1, c, w, h]就很方便了。

反正就是补充一个维度使输入满足pytorch需要。

tensor.zero_like(tensor)

创建一个形状一样的全零tensor

tensor.argmax(dim=)

比较大小，找出最大元素下标


dim=0时我们注意到，矩阵第0维为2，那么比较就是两个两个比，怎么比？

这样比，怎么理解，就是在第0维度上，有2个元素，这两个元素做比较，比他们的第0维大小，而他们的第0维又是tensor也就是黄色框，那就比这个tensor的第0维也就是红色框，所以结果就是[0, 0, 0, 1, 1]。这是两个黄色框的比较结果，将所有一一比完就得到图中的结果。

同理dim=1时的比较结果就如图

torch.clamp

torch.clamp(input, min, max, out=None) → Tensor

将tensor的值夹紧到区间