原始tensor
import torch
a = torch.Tensor([[[1,2,3],[4,5,6],[7,8,9]]])
print(a)
print(a.size())
输出：
tensor([[[1., 2., 3.],
[4., 5., 6.],
[7., 8., 9.]]])
torch.Size([1, 3, 3])
1.view()
改变tensor的形状
view() 的具体理解请见文章：pytorch中x = x.view(x.size(0), -1) 的理解
b = a.view(3,-1)
print(b)
print(b.size())
输出
tensor([[1., 2., 3.],
[4., 5., 6.],
[7., 8., 9.]])
torch.Size([3, 3])
或者使用view把a变换为和permute() 一样的形状，请注意tensor的内容是不一样的
d = a.view(3,1,3)
print(d)
print(d.size())
输出：
tensor([[[1., 2., 3.]],
[[4., 5., 6.]],
[[7., 8., 9.]]])
torch.Size([3, 1, 3])
2.permute()
用于维度换位
c= a.permute(2,0,1)
print(c)
print(c.size())
输出：
tensor([[[1., 4., 7.]],
[[2., 5., 8.]],
[[3., 6., 9.]]])
torch.Size([3, 1, 3])
3.contiguous()
有些tensor并不是占用一整块内存，而是由不同的数据块组成。
contiguous()函数的作用：把tensor变成在内存中连续分布的形式。
4.transpose()
- pytorch中 permute()可以对高维矩阵进行变换
- python 中 transpose()只能操作2D矩阵的变换
e = a.transpose(2,0,1)
print(e)
print(e.size())
TypeError: transpose() takes 2 positional arguments but 3 were given
e = a.transpose(1,0)
print(e)
print(e.size())
tensor([[[1., 2., 3.]],
[[4., 5., 6.]],
[[7., 8., 9.]]])
torch.Size([3, 1, 3])
另外：
numpy中的transpose() 函数是可以改变高维数组的形状
img_ = img[:,:,::-1].transpose((2,0,1))
5.squeeze() 和 unsqueeze()
参考文章：一文掌握torch.squeeze() 和torch.unsqueeze()的用法
torch.squeeze() 这个函数主要对数据的维度进行压缩，去掉维数为1的的维度，默认是将a中所有为1的维度删掉。也可以通过dim指定位置，删掉指定位置的维数为1的维度。
相反
torch.unsqueeze() 这个函数主要是对数据维度进行扩充。需要通过dim指定位置，给指定位置加上维数为1的维度。
