在 PyTorch 中，操作张量的维度是常见的需求，特别是在处理多维数据时。PyTorch 提供了一系列函数来操作张量的维度，包括改变维度顺序、添加或删除维度、扩展维度等。下面是一些常用的维度操作函数及其示例代码。
1. view()
-
作用 ：重新调整张量的形状（维度），但不改变其数据内容。
view()是基于张量的原始内存布局进行操作的，要求重新调整的形状能与原始数据兼容。 -
示例：
import torch
创建一个形状为 [2, 3, 4] 的张量
tensor = torch.randn(2, 3, 4)
调整为形状为 [6, 4] 的张量
reshaped = tensor.view(6, 4)
print(reshaped.shape) # 输出: torch.Size([6, 4])
2. permute()
-
作用：重新排列张量的维度顺序。
-
示例：
import torch
创建一个形状为 [2, 3, 4] 的张量
tensor = torch.randn(2, 3, 4)
交换第一个维度和第二个维度，得到形状为 [3, 2, 4] 的张量
permuted = tensor.permute(1, 0, 2)
print(permuted.shape) # 输出: torch.Size([3, 2, 4])
3. unsqueeze()
-
作用：在指定位置插入一个大小为 1 的新维度。
-
示例：
import torch
创建一个形状为 [3, 4] 的张量
tensor = torch.randn(3, 4)
在第 0 维添加一个新维度，结果形状为 [1, 3, 4]
unsqueezed = tensor.unsqueeze(0)
print(unsqueezed.shape) # 输出: torch.Size([1, 3, 4])
4. squeeze()
-
作用：移除张量中所有大小为 1 的维度。
-
示例：
import torch
创建一个形状为 [1, 3, 1, 4] 的张量
tensor = torch.randn(1, 3, 1, 4)
移除所有大小为 1 的维度，结果形状为 [3, 4]
squeezed = tensor.squeeze()
print(squeezed.shape) # 输出: torch.Size([3, 4])
5. transpose()
-
作用：交换张量的两个指定维度。
-
示例：
import torch
创建一个形状为 [2, 3, 4] 的张量
tensor = torch.randn(2, 3, 4)
交换第 1 维和第 2 维，结果形状为 [2, 4, 3]
transposed = tensor.transpose(1, 2)
print(transposed.shape) # 输出: torch.Size([2, 4, 3])
6. expand()
-
作用：将张量的某些维度扩展为更大的尺寸，不会复制数据，而是通过广播机制扩展。
-
示例：
import torch
创建一个形状为 [2, 1, 4] 的张量
tensor = torch.randn(2, 1, 4)
扩展第 1 维到大小为 3，结果形状为 [2, 3, 4]
expanded = tensor.expand(2, 3, 4)
print(expanded.shape) # 输出: torch.Size([2, 3, 4])
7. repeat()
-
作用：沿着指定的维度重复张量的元素。
-
示例：
import torch
创建一个形状为 [2, 3] 的张量
tensor = torch.randn(2, 3)
沿着第 0 维和第 1 维分别重复 2 次和 3 次，结果形状为 [4, 9]
repeated = tensor.repeat(2, 3)
print(repeated.shape) # 输出: torch.Size([4, 9])
8. cat()
-
作用：在指定维度上连接多个张量。
-
示例：
import torch
创建两个形状为 [2, 3] 的张量
tensor1 = torch.randn(2, 3)
tensor2 = torch.randn(2, 3)在第 0 维连接，结果形状为 [4, 3]
concatenated = torch.cat([tensor1, tensor2], dim=0)
print(concatenated.shape) # 输出: torch.Size([4, 3])
9. stack()
-
作用：在新的维度上堆叠多个张量。
-
示例：
import torch
创建两个形状为 [2, 3] 的张量
tensor1 = torch.randn(2, 3)
tensor2 = torch.randn(2, 3)在新的第 0 维堆叠，结果形状为 [2, 2, 3]
stacked = torch.stack([tensor1, tensor2], dim=0)
print(stacked.shape) # 输出: torch.Size([2, 2, 3])
总结
PyTorch 提供了丰富的维度操作函数，使得张量的操作非常灵活。在处理多维数据时，合理使用这些函数可以极大地简化代码，并提高数据处理的效率。