pytorch中的permute，transpose和view之间的区别。

1、permute，具体的例子如下：

import torch
a = torch.tensor([[[1, 2, 3], [4, 5, 6],[7,8,9],[11,12,13]]])
grid_x = torch.arange(5).repeat((5, 1)).view((1, 1, 5, 5)).float()
# 格式：1,1,5,5
grid_y = grid_x.permute(0, 1, 3, 2)
print(grid_x)
print(grid_y)

结果如下：

tensor([[[[0., 1., 2., 3., 4.],
          [0., 1., 2., 3., 4.],
          [0., 1., 2., 3., 4.],
          [0., 1., 2., 3., 4.],
          [0., 1., 2., 3., 4.]]]])
tensor([[[[0., 0., 0., 0., 0.],
          [1., 1., 1., 1., 1.],
          [2., 2., 2., 2., 2.],
          [3., 3., 3., 3., 3.],
          [4., 4., 4., 4., 4.]]]])

可以观察到最后两个维度上面的数字进行了互换。

2、trnspose的具体用法如下：

import torch
a = torch.tensor([[[1, 2, 3], [4, 5, 6],[7,8,9],[11,12,13]]])
print(a.size())
print(a)
dd=torch.transpose(a,0,2)
print(dd.size())
print(dd)

结果如下：

torch.Size([1, 4, 3])
tensor([[[ 1,  2,  3],
         [ 4,  5,  6],
         [ 7,  8,  9],
         [11, 12, 13]]])
torch.Size([3, 4, 1])
tensor([[[ 1],
         [ 4],
         [ 7],
         [11]],

        [[ 2],
         [ 5],
         [ 8],
         [12]],

        [[ 3],
         [ 6],
         [ 9],
         [13]]])

3、view的具体用法:

import torch
a = torch.tensor([[[1, 2, 3], [4, 5, 6],[7,8,9],[11,12,13]]])
aa=a.view((1,3,4))
print(aa.size())
print(aa)

运行结果如下:

torch.Size([1, 3, 4])
tensor([[[ 1,  2,  3,  4],
         [ 5,  6,  7,  8],
         [ 9, 11, 12, 13]]])

总结：
1、在数据方面：stack和transpose会改变原来数据的分布，而view就不会出现这种情况，view还会继续保留原来的数据分布。
2：stack能同时改变多个维度的数据分布，但是transpose一次只能改变两个维度的数据。