PyTorch 中 Tensor 交换维度（transpose、permute、view）详解

在深度学习中，数据的形状（shape）非常重要。

例如，卷积层、全连接层、RNN 都要求输入张量的维度排列符合特定格式。

很多时候，我们需要对张量的维度（dimension）进行 交换、调整或重新排列 。

PyTorch 提供了多种方式实现这一点，比如：

• tensor.t()
• tensor.transpose()
• tensor.permute()
• tensor.view() / tensor.reshape()

本文将系统讲解这些操作的原理、区别与常见用法。

---

文章目录

• • 一、什么是"交换维度"？
  • 二、基础准备
  • [三、方法一：`tensor.t()` ------ 仅限二维矩阵转置](#三、方法一：tensor.t() —— 仅限二维矩阵转置)
  • [四、方法二：`tensor.transpose(dim0, dim1)` ------ 交换两个指定维度](#四、方法二：tensor.transpose(dim0, dim1) —— 交换两个指定维度)
  • [五、方法三：`tensor.permute(dims)` ------ 任意维度重排](#五、方法三：tensor.permute(dims) —— 任意维度重排)
  • [六、方法四：`tensor.view()` 与 `tensor.reshape()` ------ 改变形状（非严格意义上的交换）](#六、方法四：tensor.view() 与 tensor.reshape() —— 改变形状（非严格意义上的交换）)

---

一、什么是"交换维度"？

在 PyTorch 中，张量（Tensor）是一个多维数组。

"交换维度"指的是改变这些维度（axes）的顺序或位置。

比如一个形状为

[batch, channel, height, width] = [32, 3, 224, 224]

的图像张量，如果模型要求输入为 [batch, height, width, channel]，

我们就需要进行维度交换。

---

二、基础准备

让我们先创建一个简单的 3 维张量来演示：

import torch

x = torch.randn(2, 3, 4)  # shape: [2, 3, 4]
print(x.shape)

输出：

torch.Size([2, 3, 4])

表示一个形状为 (2, 3, 4) 的三维张量。

---

三、方法一：tensor.t() ------ 仅限二维矩阵转置

如果你的张量是 二维矩阵（2D Tensor） ，可以使用 t()：

x = torch.randn(2, 3)
print(x.shape)     # torch.Size([2, 3])
print(x.t().shape) # torch.Size([3, 2])

📌 注意：

t() 只能用于二维张量（矩阵），否则会报错。

---

四、方法二：tensor.transpose(dim0, dim1) ------ 交换两个指定维度

transpose /trænˈspoʊz/ 中文翻译为"调换"

transpose() 用于交换两个指定的维度，不改变其他维度的顺序。

示例：

x = torch.randn(2, 3, 4)     # shape: [2, 3, 4]
y = x.transpose(1, 2)        # 交换第1维和第2维
print(y.shape)

输出：

torch.Size([2, 4, 3])

也就是说：

原: [batch, channel, length]
新: [batch, length, channel]

⚠️ 注意：

transpose()不会拷贝数据，而是返回一个新的视图（view），节省内存。

有关拷贝的问题，可参考深入理解 Python 的 copy() 函数：浅拷贝与深拷贝详解_python .copy()函数-CSDN博客

---

五、方法三：tensor.permute(dims) ------ 任意维度重排

permute /pərˈmjʊt/ 中文翻译为"重新排列"

permute() 是更通用的维度交换方式。

它允许你指定所有维度的新顺序。

✅ 示例：

x = torch.randn(2, 3, 4)
y = x.permute(1, 0, 2)
print(y.shape)

输出：

torch.Size([3, 2, 4])

📘 解释：

• 原始顺序是 [0, 1, 2]
• 新顺序 [1, 0, 2] 表示：
  • 第 0 维 → 原第 1 维
  • 第 1 维 → 原第 0 维
  • 第 2 维 → 保持不变

---

transpose() vs permute()

特性	transpose()	permute()
功能	交换两个维度	任意排列多个维度
参数	两个整数维度索引	维度索引序列
返回	新视图	新视图
使用场景	常用于2维或3维简单交换	用于复杂维度调整

举例：

# transpose 只能交换两个维度
x.transpose(0, 1)

# permute 可以任意排列
x.permute(2, 0, 1)

---

六、方法四：tensor.view() 与 tensor.reshape() ------ 改变形状（非严格意义上的交换）

view() 和 reshape() 是用于改变张量形状（Shape）的操作，

并不直接交换维度，但在实际中常与 permute() 连用。

✅ 示例：

x = torch.randn(2, 3, 4)
y = x.permute(0, 2, 1).contiguous().view(2, -1)
print(y.shape)

输出：

torch.Size([2, 12])

📘 解释：

• 先用 permute() 调整维度顺序；
• 再用 view() 拉平成一个新的形状。

⚠️ 注意：

• permute() 后的张量在内存中可能不是连续存储的；
• 因此通常需要 .contiguous() 之后再调用 view()。

---