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)）