torch.expand
输入必须是一个向量或等价形式，扩展的最后一个维度与输入大小一致
当输入形状为（1，1,1,1,1，......，3）_4时。
expand的最后一位=输入向量的元素个数（长度）（3）
expand的倒数第二位≥输入向量的shape的元素个数（几维） （4）
推广：
当输入形状为（3,1,4）时，expand可以为（3，n，4）
当输入形状为（1,1,4）时，expand可以为（m，n，4）
形状的最后一位必须相等，前面的位数，要么相等，要么是输入1，输出任意k
pytorch中的None
在PyTorch（或NumPy）中，None索引是一种常用的方法来增加张量的维度。当你使用None作为索引时，它告诉Python你想要在那个位置增加一个新的维度。
具体来说，tensor[:, None, :]的用法如下：
:：这是一个切片操作符，表示选取当前维度的所有元素。None：这是一个特殊的索引，用于在指定的位置增加一个大小为1的新维度。
让我们以一个具体的例子来解释：
假设你有一个形状为(N, M)的张量tensor，其中N是第一个维度的大小，M是第二个维度的大小。
tensor[:, None, :]将返回一个形状为(N, 1, M)的张量。
这里是如何工作的：
[:, None, :]中的第一个:表示选取第一个维度（行）的所有元素。None告诉Python在第一个和第三个维度之间增加一个新的维度，并且这个维度的大小为1。- 最后的
:表示选取第三个维度（列）的所有元素。
这个操作通常用于改变张量的形状，以适应不同的操作，比如在矩阵乘法中增加一个批处理维度。
以下是一个简单的例子：
import torch
# 创建一个形状为 (3, 4) 的张量
tensor = torch.tensor([
[1, 2, 3, 4],
[5, 6, 7, 8],
[9, 10, 11, 12]
])
# 使用 None 索引增加一个维度
new_tensor = tensor[:, None, :]
print("Original tensor shape:", tensor.shape)
print("New tensor shape:", new_tensor.shape)输出将是：
Original tensor shape: torch.Size([3, 4])
New tensor shape: torch.Size([3, 1, 4])在这个例子中，我们从一个2维张量创建了一个3维张量，其中新增加的维度大小为1。
pytorch的permute
n个参数------正确的顺序
在PyTorch中，tensor.permute()方法用于重新排列张量的维度。当你调用tensor.permute()并输入多个参数时，这些参数定义了新的维度顺序。
假设你有一个张量tensor，其维度为(D0, D1, D2, ..., Dn)。当你调用tensor.permute(i0, i1, i2, ..., in)时，你需要提供一组整数索引，这些索引对应于张量的原始维度，并且按照你想要的顺序排列。
例如，如果你有一个四维张量tensor，其维度为(B, H, W, C)（即批处理大小、高度、宽度、通道数），并且你想将其重新排列为(B, C, H, W)，你可以这样做：
new_tensor = tensor.permute(0, 3, 1, 2)在这个例子中：
0对应于原始的第一个维度（批处理大小B），在新的排列中它仍然是第一个维度。3对应于原始的第四个维度（通道数C），在新的排列中它变成了第二个维度。1对应于原始的第二个维度（高度H），在新的排列中它变成了第三个维度。2对应于原始的第三个维度（宽度W），在新的排列中它变成了第四个维度。
如果你有一个更高维度的张量，并且想要重新排列它的多个维度，你可以按照相同的逻辑提供更多的参数。例如，对于一个五维张量tensor，其维度为(B0, T1, H2, W3, C4)（批处理大小、时间步长、高度、宽度、通道数），如果你想将其重新排列为(T, B, C, H, W)，你可以这样做：
new_tensor = tensor.permute(1, 0, 4, 2, 3)在这个例子中：
1对应于原始的第二个维度（时间步长T），在新的排列中它变成了第一个维度。0对应于原始的第一个维度（批处理大小B），在新的排列中它变成了第二个维度。4对应于原始的第五个维度（通道数C），在新的排列中它变成了第三个维度。2对应于原始的第三个维度（高度H），在新的排列中它变成了第四个维度。3对应于原始的第四个维度（宽度W），在新的排列中它变成了第五个维度。
确保你提供的参数数量与张量的维度数量相匹配，并且每个参数都在0到张量维度数量减1的范围内。
2个参数------交换
如果你对一个张量使用 tensor.permute() 方法并且只提供了两个参数，这意味着你正在重新排列一个至少二维张量的维度。这两个参数分别指定了新的第一个和第二个维度的原始索引位置。
例如，假设你有一个二维张量 tensor，其维度为 (D0, D1)。当你调用 tensor.permute(i0, i1) 时，你需要提供两个整数索引，这两个索引定义了新的维度顺序。
以下是一个具体的例子：
import torch
# 假设有一个二维张量，形状为 (2, 3)
tensor = torch.tensor([[1, 2, 3],
[4, 5, 6]])
# 使用 permute 方法重新排列维度
new_tensor = tensor.permute(1, 0)
print("Original tensor shape:", tensor.shape)
print("New tensor shape:", new_tensor.shape)在这个例子中：
-
1对应于原始张量的第二个维度（D1），在新的排列中它变成了第一个维度。 -
0对应于原始张量的第一个维度（D0），在新的排列中它变成了第二个维度。Original tensor shape: torch.Size([2, 3])
New tensor shape: torch.Size([3, 2])
在这个例子中，原始的二维张量 (2, 3) 被重新排列成了 (3, 2)。
同样地，如果你有一个更高维度的张量，但只想交换前两个维度的位置，你可以只提供两个参数。例如，对于一个三维张量 tensor，其维度为 (B, H, W)，如果你想将其重新排列为 (H, B, W)，你可以这样做：
new_tensor = tensor.permute(1, 0, 2)在这个例子中：
1对应于原始的第二个维度（H），在新的排列中它变成了第一个维度。0对应于原始的第一个维度（B），在新的排列中它变成了第二个维度。- 第三个维度（W）保持不变，因为没有提供第三个参数来重新排列它。
只输入俩参数会报错的！！！