1、view ；reshape；Flatten：维度合并和分解
2、squeeze；unsqueeze：压缩维度和增加维度（相对于维度为1的数据）
3、transpose；t；permute：维度顺顺序变换(转置）
4、expand；repeat：维度扩展
python
import torch
'''
维度变换
1、view ；reshape；Flatten：维度合并和分解
2、squeeze；unsqueeze：压缩维度和增加维度（相对于维度为1的数据）
3、transpose；t；permute：维度顺顺序变换(转置）
4、expand；repeat：维度扩展
'''
a = torch.rand(4, 1, 32, 32)
'''
view()的原理很简单，其实就是把原先tensor中的数据进行排列，排成一行，然后根据所给的view()中的参数从一行中按顺序选择组成最终的tensor。
view()可以有多个参数，这取决于你想要得到的是几维的tensor，一般设置两个参数，也是神经网络中常用的（一般在全连接之前），代表二维。
view(h,w)，h代表行（想要变为几行），当不知道要变为几行，但知道要变为几列时可取-1；w代表的是列（想要变为几列），当不知道要变为几列，但知道要变为几行时可取-1。
'''
def zqb_view():
print(a.shape) # torch.Size([4, 1, 32, 32])
a1 = a.view(4, 32 * 32)
print(a1.shape) # torch.Size([4, 1024])
a2 = a1.view(4, 1, 32, 32)
print(a2.shape) # torch.Size([4, 1, 32, 32])
# a3 = a1.view(4,28,28) #RuntimeError: shape '[4, 28, 28]' is invalid for input of size 4096
# 要保持输出数据与输入数据总量，防止数据污染
# a4 = a1.view(4,32,32,1) # 逻辑错误，改变了原来数据的存储方式，虽然不会报错，但是数据已经被污染，无法正常使用
a5 = a.view(-1, 32 * 32) # torch.Size([4, 1024]) -1表示该维度保持不变
print(a5.shape)
'''
reshape()可以由torch.reshape(),也可由torch.Tensor.reshape()调用，
其作用是在不改变tensor元素数目的情况下改变tensor的shape。
torch.reshape() 需要两个参数，一个是待被改变的张量tensor，一个是想要改变的形状。
'''
def zqb_reshape():
print(a.shape) # torch.Size([4, 1, 32, 32])
a1 = a.reshape(-1, 32 * 32) # torch.Size([4, 1024])
print(a1.shape)
a2 = a1.reshape(4, 1, 32, 32) # torch.Size([4, 1, 32, 32])
print(a2.shape)
'''
torch.nn.Flatten(start_dim=1,end_dim=-1)
start_dim与end_dim分别表示开始的维度和终止的维度，默认值为1和-1，其中1表示第一维度，-1表示最后的维度。结合起来看意思就是从第一维度到最后一个维度全部给展平为张量。
（注意：数据的维度是从0开始的，也就是存在第0维度，第一维度并不是真正意义上的第一个）。
因为其被用在神经网络中，输入为一批数据，第 0 维为batch（输入数据的个数），通常要把一个数据拉成一维，而不是将一批数据拉为一维。所以torch.nn.Flatten()默认从第一维开始平坦化。
'''
def zqb_Flatten():
print(a.shape) # torch.Size([4, 1, 32, 32])
a1 = a.flatten(1, -1) # torch.Size([4, 1024]) ,
print(a1.shape)
a2 = a.flatten(2, -1) # torch.Size([4, 1, 1024])
print(a2.shape)
'''
unsqueeze(dim=idx)
表示插入的维度占据输出数据的维度，比如
[4, 1, 32, 32].unsqueeze(0),表示新插入维度占据输出数据的0维度torch.Size([1, 4, 1, 32, 32])
[4, 1, 32, 32].unsqueeze(-1),表示新插入维度占据输出数据的-1维度torch.Size([1, 4, 1, 32, 32,1])
'''
def zqb_unsqueeze():
print(a.shape) # torch.Size([4, 1, 32, 32])
a1 = a.unsqueeze(0)
print(a1.shape) # torch.Size([1, 4, 1, 32, 32])
a2 = a.unsqueeze(-1)
print(a2.shape) # torch.Size([4, 1, 32, 32, 1])
'''
squeeze()不给参数，表示删除所有1的维度
squeeze(index) 给参数，删除指定index维度，若刚该维度不为1则不做处理
'''
def zqb_squeeze():
print(a.shape) # torch.Size([4, 1, 32, 32])
a1 = a.squeeze()
print(a1.shape) # torch.Size([4, 32, 32])
a2 = a.squeeze(1)
print(a2.shape) # torch.Size([4, 32, 32])
a3 = a.squeeze(0)
print(a3.shape) # torch.Size([4, 1, 32, 32])
'''
转置t操作仅仅针对2维数据操作
'''
def zqb_t():
a = torch.rand(2, 3)
print(a.shape) # torch.Size([2, 3])
a1 = a.t()
print(a1.shape) # torch.Size([3, 2])
'''
transpose(dim0,dim1)指定需要调换的两个维度，与顺序无关
对3维及以上的进行操作，输入需要调换的两个维度
'''
def zqb_transpose():
print(a.shape) # torch.Size([4, 1, 32, 32])对应的维度0,1,2,3
a1 = a.transpose(0, 1)
print(a1.shape) # torch.Size([1, 4, 32, 32])
a2 = a.transpose(1, 0)
print(a2.shape) # torch.Size([1, 4, 32, 32])
'''
permute(*dims),指定新维度的顺序
'''
def zqb_permute():
print(a.shape) # torch.Size([4, 1, 32, 32])对应的维度0,1,2,3
a1 = a.permute(1, 0, 2, 3)
print(a1.shape) # torch.Size([1, 4, 32, 32])
'''
只能对维度值为1的维度进行扩展，无需扩展的维度，维度值不变，
对应位置可写上原始维度大小或直接写作-1；且扩展的Tensor不会分配新的内存，
只是原来的基础上创建新的视图并返回，返回的张量内存是不连续的。
类似于numpy中的broadcast_to函数的作用。如果希望张量内存连续，可以调用contiguous函数。
'''
def zqb_expand():
print(a.shape) # torch.Size([4, 1, 32, 32])
a1 = a.expand(-1, 4, -1, -1)
print(a1.shape) # torch.Size([4, 4, 32, 32])
'''
repeat参数*sizes指定了原始张量在各维度上复制的次数。
整个原始张量作为一个整体进行复制，这与Numpy中的repeat函数截然不同，
而更接近于tile函数的效果。
'''
def zqb_repeat():
print(a.shape) # torch.Size([4, 1, 32, 32])
a1 = a.repeat(1, 4, 1, 1) # torch.Size([4, 4, 32, 32])
print(a1.shape)
a2 = a.repeat(4, 1, 1, 1)
print(a2.shape) # torch.Size([16, 1, 32, 32])
if __name__ == '__main__':
zqb_view()
zqb_reshape()
zqb_Flatten()
zqb_unsqueeze()
zqb_squeeze()
zqb_t()
zqb_transpose()
zqb_permute()
zqb_expand()
zqb_repeat()