维度改变和张量变形都不改变内存中存储的结构，因此改变后的张量的值顺序和没改变前是一样的。

一、维度改变

1.flatten展开

• torch.flatten(tensor)
• tensor.flatten()

torch.flatten() 是一个在 PyTorch 中常用于张量（tensor）处理的函数，它将输入张量展开成一个一维张量。该函数通常用于准备数据，将多维数据转换为一维，以便用于机器学习模型，特别是在模型的全连接层（fully connected layers）之前。
常用于展开成一维

a.函数的基本用法

只给定一个张量，将直接展开成一维。
torch.flatten(input, start_dim=0, end_dim=-1) 的参数解释如下：

• input: 输入的张量。
• start_dim: 开始展开的维度，默认为 0。这意味着从哪个维度开始将张量展开。
• end_dim: 结束展开的维度，默认为 -1，即最后一个维度。这意味着展开将持续到哪个维度。

b.示例

考虑一个三维张量，例如形状为 (2, 3, 4) 的张量。如果使用 torch.flatten() 将其展开，可以有多种方式处理：

1. 完全展开: 将整个张量展开成一维数组。

   import torch
   x = torch.randn(2, 3, 4)
   flat_x = torch.flatten(x)
   # 结果形状为 [24]
   

2. 从特定维度开始展开: 指定从哪个维度开始展开。例如，从第一维（索引为 0 的维度）开始展开。

   flat_x = torch.flatten(x, start_dim=1)
   # 结果形状为 [2, 12]，保留了第一个维度，其余维度被展开
   

2.unsqueeze增维

• torch.unsqueeze(tensor)
• tensor.unsqueeze()

torch.unsqueeze() 是 PyTorch 中用来增加张量的维度的函数。该函数可以在张量的指定位置插入一个维度，它非常有用于调整张量的形状，以满足特定操作或模型的需求，例如在单样本张量上应用需要批处理的模型。
常用于在第0个维度上增加大小为1的维度

a.函数的基本用法

torch.unsqueeze(input, dim) 的参数解释如下：

• input: 输入的张量。
• dim: 要插入新维度的索引位置。这个位置遵循 Python 的索引规则，支持负索引。

b.示例

假设有一个二维张量 x 形状为 (3, 4)，表示一个包含3个样本，每个样本4个特征的数据集。如果需要在特定维度增加一个维度，可以使用 torch.unsqueeze() 如下：

import torch
x = torch.randn(3, 4)# 在第0维增加一个维度
x_unsqueezed = x.unsqueeze(0)
print(x_unsqueezed.shape)
# 输出: torch.Size([1, 3, 4])# 在第1维增加一个维度
x_unsqueezed = torch.unsqueeze(x, 1)
print(x_unsqueezed.shape)
# 输出: torch.Size([3, 1, 4])# 使用负索引，在最后一个维度后增加一个维度
x_unsqueezed = torch.unsqueeze(x, -1)
print(x_unsqueezed.shape)
# 输出: torch.Size([3, 4, 1])

3.squeeze降维

• torch.squeeze(tensor)
• tensor.squeeze()

torch.squeeze() 是 PyTorch 中的一个函数，用于减少张量的维度，特别是去除那些维度大小为1的维度。这个函数非常有用于去除由于某些操作（比如 unsqueeze）产生的单一维度，从而使张量的形状更加紧凑。

a.函数的基本用法

只给定一个张量，将直接去掉所有大小为1的维度。
torch.squeeze(input, dim=None) 的参数解释如下：

• input: 输入的张量。
• dim: 指定要压缩的维度。如果指定的维度大小为1，则该维度会被去除；如果大小不为1，则该维度不会被压缩。如果不指定 dim 参数，那么所有大小为1的维度都会被去除。

b.示例

考虑一个张量 x，其形状包括一些大小为1的维度。以下是如何使用 torch.squeeze() 来去除这些维度的示例：

import torch
x = torch.randn(1, 3, 1, 5)# 去除所有大小为1的维度
squeezed_x = x.squeeze()
print(squeezed_x.shape)
# 输出: torch.Size([3, 5])# 只压缩第0维（大小为1）
squeezed_x = x.squeeze(0)
print(squeezed_x.shape)
# 输出: torch.Size([3, 1, 5])# 只压缩第2维（大小为1）
squeezed_x = torch.squeeze(x, 2)
print(squeezed_x.shape)
# 输出: torch.Size([1, 3, 5])# 尝试压缩一个不是大小为1的维度（没有变化）
squeezed_x = torch.squeeze(x, 1)
print(squeezed_x.shape)
# 输出: torch.Size([1, 3, 1, 5])

二、张量变形

1.view()

在 PyTorch 中，.view() 方法是一个非常重要且常用的功能，用于改变张量的形状而不改变其数据内容。此方法提供了一种高效的方式来重新排列张量的维度，使其适应不同的需求，例如输入到一个模型或对数据进行不同的操作。
view是共享内存的！

a.函数的基本用法

.view() 方法的基本用法是 tensor.view(*shape)，其中 *shape 是希望张量拥有的新形状，由一组维度大小组成。

b.参数：

• shape: 新的形状，是一个由整数构成的元组，其中的每个整数指定相应维度的大小。你也可以在某个位置使用 -1，让 PyTorch 自动计算该维度的大小。（注意某个位置是任意的某个位置，但是只能有一个）

c.注意事项

1. 连续性：.view() 要求张量在内存中是连续的（即一维数组中的元素顺序与多维视图中的顺序相同）。如果张量不是连续的，你可能需要首先调用 .contiguous() 方法来使其连续。

2. 自动计算维度：使用 -1 作为形状参数的一部分，PyTorch 将自动计算该维度的正确大小，以便保持元素总数不变。

3. 大小不变：.view()要求张量变换形状之后的大小和变换之前的大小是一样的。即维度大小之积相等。比如tensor.Size([2,4])和tensor.Size([8])是一样的。

d.示例

import torch
x = torch.randn(4, 4)  # 创建一个 4x4 的张量# 改变形状为 2x8
y = x.view(2, 8)
print(y.shape)
# 输出: torch.Size([2, 8])# 改变形状为 16（一维）
z = x.view(-1)#z = x.view(16)
print(z.shape)
# 输出: torch.Size([16])# 使用 -1 自动计算维度
w = x.view(-1, 8)
print(w.shape)
# 输出: torch.Size([2, 8])

import torch
x = torch.randn(2, 1)  # 创建一个 2×1 的张量# 改变形状为 2x8
y = x.view(2)
print(y)
# 输出: torch.Size([2, 8])
x[0][0]=2 #共享内存，y也会变
print(x)
print(y)

tensor([-0.5001,  0.5409])
tensor([[2.0000],[0.5409]])
tensor([2.0000, 0.5409])

2.reshape()

在 PyTorch 中，.reshape() 方法用于改变张量的形状而不改变其数据内容。
这一方法与 .view() 类似，都允许您重新排列张量的维度，但它们在处理非连续张量时的行为不同。
只有当非连续张量时，才会导致和.view不一样，如果是连续的，同样也是共享内存的。

a.注意事项

1. 数据连续性：与 .view() 相比，.reshape() 可以处理非连续张量，如果必要，它会自动处理数据的内存复制。因此，如果原始张量不连续，而你尝试用 .view() 改变其形状可能会导致错误，但 .reshape() 会自动解决这个问题。

2. 自动计算维度：使用 -1 作为形状参数的一部分时，PyTorch 会自动计算该维度的大小，以确保总元素数量与原张量相同。

b.示例

import torch
x = torch.randn(2, 3, 4)  # 创建一个 2x3x4 的张量# 改变形状为 6x4
y = x.reshape(6, 4)
print(y.shape)
# 输出: torch.Size([6, 4])# 改变形状为 1x24
z = x.reshape(1, 24)
print(z.shape)
# 输出: torch.Size([1, 24])# 使用 -1 自动计算维度
w = x.reshape(-1, 2)
print(w.shape)
# 输出: torch.Size([12, 2])

import torch
x = torch.randn(2, 2)  # 创建一个 2x1 的张量
x=x.transpose(0,1)
# 改变形状为 2x8
y = x.reshape(4)#转置后的x不是连续的，使用reshape产生复制，此时不能用.view()
print(y)
# 输出: torch.Size([2, 8])
x[0][0]=100
print(x)
print(y)

tensor([-0.5386, -0.3646, -0.1661, -0.2516])
tensor([[100.0000,  -0.1661],[ -0.3646,  -0.2516]])
tensor([-0.5386, -0.3646, -0.1661, -0.2516])

3.reshape_as()

在 PyTorch 中，.reshape_as() 是一个方便的方法，用于将一个张量重新塑形为与另一个张量相同的形状。这个方法实质上是 .reshape() 方法的一个简化版本，它以另一个张量的形状为目标形状。
换句话说，.reshape_as()相当于是省略了自指定参数的.reshape()，而可以直接用目标张量形状作为形状。

a.函数的基本用法

.reshape_as() 的基本用法非常直接：tensor1.reshape_as(tensor2)。这会将 tensor1 的形状修改为与 tensor2 相同的形状。

b.参数：

• tensor2: 这是模型张量，tensor1 将改变形状以匹配 tensor2 的形状。

c.示例

import torch
x = torch.randn(2, 3, 4)  # 原始张量，形状为 2x3x4
y = torch.randn(6, 4)     # 目标张量，形状为 6x4# 将 x 的形状改变为与 y 相同
z = x.reshape_as(y)
print(z.shape)
# 输出: torch.Size([6, 4])

d.注意

虽然 .reshape_as() 很方便，但使用它时应确保两个张量具有相同的元素总数，因为改变形状的操作不会改变数据的总量。如果两个张量的总元素数量不匹配，尝试使用 .reshape_as() 将抛出错误。此外，如果原始张量在内存中是非连续的，.reshape_as() 会像 .reshape() 一样处理，可能需要在内部进行数据复制以确保连续性。

三、维度重排

permute方法可以按照指定顺序重新排列维度，而transpose方法可以交换张量的两个维度。用于需要进行维度重排或转置操作。如矩阵转置。

1.permute

在 PyTorch 中，.permute() 方法用于重新排列张量的维度，这是处理多维数据时一个非常有用的功能，尤其在需要对维度进行特定的重排序操作时。

a.函数的基本用法

.permute() 方法的调用格式为 tensor.permute(*dims)，其中 *dims 是一个整数序列，代表新的维度排列顺序。

b.参数：

• dims: 这个参数定义了张量的每个维度应该如何重新排列。序列中的每个整数都代表原始张量中一个维度的索引，这些索引的排列顺序确定了输出张量的形状。

c.示例

import torch
x = torch.randn(2, 3, 5)  # 创建一个形状为 [2, 3, 5] 的张量# 改变维度的排列顺序为 [2, 0, 1]
y = x.permute(2, 0, 1)
print(y.shape)
# 输出: torch.Size([5, 2, 3])# 将维度的排列顺序改为 [1, 2, 0]
z = x.permute(1, 2, 0)
print(z.shape)
# 输出: torch.Size([3, 5, 2])

d.注意

import torch
x = torch.tensor([[1,2,3,4],[2,4,2,4],[5,6,7,8]]) 
x = x.permute(1,0)
'''
tensor([[1, 2, 5],[2, 4, 6],[3, 2, 7],[4, 4, 8]])
'''

在 PyTorch 中，当使用 .permute() 方法重排张量维度时，张量的数据实际上在内存中的位置并没有改变。更准确地说，.permute() 改变的是张量访问这些数据的方式，通过调整形状(shape) 和 步长(stride) 的元信息，而不是数据本身。

• 步长（Stride）
  • 步长是一个定义在每一维上的整数数组，表示为了在数据中从当前维度的一个元素移动到下一个元素，需要跨过的内存位置数。对于一个连续的张量，步长决定了元素在内存中的布局。

形状（Shape）和步长的调整当调用 .permute(1,0) 时，你实际上是告诉 PyTorch 以一个新的顺序来解释原始数据的内存布局。例如：

x = torch.tensor([[1, 2, 3, 4],[2, 4, 2, 4],[5, 6, 7, 8]])

原始的 x 的形状为 (3, 4)，即有 3 行和 4 列。在 PyTorch 中，这意味着其步长为 (4, 1)，其中 4 表示要从一行的开始移动到下一行的开始，在内存中需要跨过 4 个元素位置；1 表示在同一行中从一个元素移动到下一个元素，只需要跨过 1 个元素位置。

当你调用 x.permute(1, 0) 时，你是在指示 PyTorch 将原来的列视为行，将原来的行视为列。这就改变了形状为 (4, 3)。这时，步长变为 (1, 4)。这意味着：

• 要从列的一个元素到下一个元素（现在变成了“行”移动），你只需要移动一个数据位置（原来的行移动）。
• 要从一行移动到下一行（现在是原来的列跨行移动），你需要跨过 4 个数据位置。

2.transpose

在 PyTorch 中，.transpose() 方法用于交换张量中的两个维度，这是处理多维数组时一个常用的功能，尤其是在需要对特定的维度进行转置操作时。

a.函数的基本用法

.transpose() 方法的调用格式为 tensor.transpose(dim0, dim1)，其中 dim0 和 dim1 是要交换的维度的索引。

b.参数：

• dim0: 第一个要交换的维度的索引。
• dim1: 第二个要交换的维度的索引。

c.示例

import torch
x = torch.randn(2, 3, 5)  # 创建一个形状为 [2, 3, 5] 的张量# 交换维度 0 和 1
y = x.transpose(0, 1)
print(y.shape)
# 输出: torch.Size([3, 2, 5])# 交换维度 1 和 2
z = x.transpose(1, 2)
print(z.shape)
# 输出: torch.Size([2, 5, 3])

d.注意

与 .permute() 类似，.transpose() 也是返回原始数据的一个新视图，并不复制数据。因此，输出张量与输入张量共享同一块内存空间，只是它们的形状和步长（stride）不同。同样，.transpose() 会导致张量在内存中可能变为非连续，因此在某些情况下，可能需要调用 .contiguous() 来使张量在内存中连续。