1.增加维度
print(a.unsqueeze(0).shape) # 在0号维度位置插入一个维度
print(a.unsqueeze(-1).shape) # 在最后插入一个维度
print(a.unsqueeze(3).shape) # 在3号维度位置插入一个维度
2.删减维度
a = torch.Tensor(1, 4, 1, 9)
print(a.squeeze().shape) # 能删除的都删除掉
print(a.squeeze(0).shape) # 尝试删除0号维度,ok
3.维度扩展(expand)
b = torch.rand(32)
f = torch.rand(4, 32, 14, 14)
先进行维度增加
b = b.unsqueeze(1).unsqueeze(2).unsqueeze(0)
print(b.shape)
再进行维度扩展
b = b.expand(4, -1, 14, 14) # -1表示这个维度保持不变,这里写32也可以
print(b.shape)
输出:
torch.Size([1, 32, 1, 1])
torch.Size([4, 32, 14, 14])
4.维度重复(repeat)
print(b.shape)
维度重复,32这里不想进行重复,所以就相当于"重复至1次"
b = b.repeat(4, 1, 14, 14)
print(b.shape)
输出:
torch.Size([1, 32, 1, 1])
torch.Size([4, 32, 14, 14])
5.转置
只适用于dim=2的Tensor。
c = torch.Tensor(2, 4)
print(c.t().shape)
输出：
torch.Size([4, 2])
- 维度交换
d = torch.Tensor(6, 3, 1, 2)
print(d.transpose(1, 3).contiguous().shape) # 1号维度和3号维度交换
输出：
torch.Size([6, 2, 1, 3])
7.permute
h = torch.rand(4, 3, 6, 7)
print(h.permute(0, 2, 3, 1).shape)
输出：
torch.Size([4, 6, 7, 3])
8.gather
1）input：输入
2）dim：维度，常用的为0和1
3）index：索引位置
a=t.arange(0,16).view(4,4)
print(a)
index_1=t.LongTensor([[3,2,1,0]])
b=a.gather(0,index_1)
print(b)
index_2=t.LongTensor([[0,1,2,3]]).t()#tensor转置操作：(a)T=a.t()
c=a.gather(1,index_2)
print(c)
outout输出:
tensor([[ 0, 1, 2, 3],
4, 5, 6, 7\], \[ 8, 9, 10, 11\], \[12, 13, 14, 15\]\]) tensor(\[\[12, 9, 6, 3\]\]) tensor(\[\[ 0\], \[ 5\], \[10\], \[15\]\]) 在gather中，我们是通过index对input进行索引把对应的数据提取出来的，而dim决定了索引的方式。 **9.Chunk** torch.chunk(tensor, chunks, dim=0) 在给定维度(轴)上将输入张量进行分块儿 直接用上面的数据来举个例子： l, m, n = x.chunk(3, 0) # 在 0 维上拆分成 3 份 l.size(), m.size(), n.size() (torch.Size(\[1, 10, 6\]), torch.Size(\[1, 10, 6\]), torch.Size(\[1, 10, 6\])) u, v = x.chunk(2, 0) # 在 0 维上拆分成 2 份 u.size(), v.size() (torch.Size(\[2, 10, 6\]), torch.Size(\[1, 10, 6\])) **10.Stack** 合并新增(stack) stack需要保证两个Tensor的shape是一致的。 c = torch.rand(4, 3, 32, 32) d = torch.rand(4, 3, 32, 32) print(torch.stack(\[c, d\], dim=2).shape) print(torch.stack(\[c, d\], dim=0).shape) 运行结果： torch.Size(\[4, 3, 2, 32, 32\]) torch.Size(\[2, 4, 3, 32, 32\]) **11.View** Pytorch中的view函数主要用于Tensor维度的重构，即返回一个有相同数据但不同维度的Tensor。 a3 = torch.tensor(\[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24\]) a4 = a3.view(4, -1) a5 = a3.view(2, 3, -1) 输出： #a3 tensor(\[ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24\]) #a4 tensor(\[\[ 1, 2, 3, 4, 5, 6\], \[ 7, 8, 9, 10, 11, 12\], \[13, 14, 15, 16, 17, 18\], \[19, 20, 21, 22, 23, 24\]\]) #a5 tensor(\[\[\[ 1, 2, 3, 4\], \[ 5, 6, 7, 8\], \[ 9, 10, 11, 12\]\], \[\[13, 14, 15, 16\], \[17, 18, 19, 20\], \[21, 22, 23, 24\]\]\]) **12.reshape** 返回与 input张量数据大小一样、给定 shape的张量。如果可能，返回的是input 张量的视图，否则返回的是其拷贝。 a1 = torch.tensor(\[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12\]) a2 = torch.reshape(a1, (3, 4)) print(a1.shape) print(a1) print(a2.shape) print(a2) 运行结果： torch.Size(\[12\]) tensor(\[ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12\]) torch.Size(\[3, 4\]) tensor(\[\[ 1, 2, 3, 4\], \[ 5, 6, 7, 8\], \[ 9, 10, 11, 12\]\]) 同view函数，也可以自动推断维度：a4 = torch.reshape(a1, (-1, 6)）