一、拼接张量

1、torch.cat()

2、torch.stack()

二、扩大张量

1、torch.Tensor.expand()

2、torch.unsqueeze()

三、压缩张量

1、torch.squeeze()

四、重复张量

1、torch.Tensor.repeat()

2、torch.Tensor.unfold()

五、缩小张量

1、torch.Tensor.narrow()

六、张量变形 z

1、torch.Tensor.view()

七、重设张量尺寸

1、torch.Tensor.resize_()

2、torch.reshape()

八、置换张量维度

1、torch.Tensor.permute()

torch.cat(tensors, dim=0, out=None) → Tensor

在指定的维度dim上对序列 seq 进行连接操作，注意：张量可以有多个，不一定只是两个。

参数：

例子：

>>> x = torch.Tensor([[1, 2, 3],[4, 5, 6]])

>>> x

tensor([[1., 2., 3.],

[4., 5., 6.]])

>>> >>> x.shape # 打印原始形状

torch.Size([2, 3])

>>> y = torch.cat((x, x, x), 0) # 在0维进行拼接

tensor([[1., 2., 3.],

[4., 5., 6.],

[1., 2., 3.],

[4., 5., 6.],

[1., 2., 3.],

[4., 5., 6.]])

>>> y.shape # 打印形状，发现0维形状由 2-->6

torch.Size([6, 3])

>>> z = torch.cat((x, x, x), 1) # 在1维进行拼接

tensor([[1., 2., 3., 1., 2., 3., 1., 2., 3.],

[4., 5., 6., 4., 5., 6., 4., 5., 6.]])

>>> z.shape # 打印形状，发现1维形状由 3-->9

torch.Size([2, 9])

torch.stack(tensors, dim=0, out=None) → Tensor

沿着一个新的维数串联张量序列，所有的张量必须是相同的大小。这个和cat()的不同之处在于新增加了一个维度，新增的维度的位置就是dim。

参数：

例子：

>>> a = torch.IntTensor([[1,2,3],[11,22,33]])

>>>> a

tensor([[ 1, 2, 3],

[11, 22, 33]], dtype=torch.int32)

>>> a.shape

torch.Size([2, 3])

>>> b= torch.IntTensor([[4,5,6],[44,55,66]])

>>> b

tensor([[ 4, 5, 6],

[44, 55, 66]], dtype=torch.int32)

>>> b.shape

torch.Size([2, 3])

>>> c=torch.stack([a,b],0)

>>> c

tensor([[[ 1, 2, 3],

[11, 22, 33]],

[[ 4, 5, 6],

[44, 55, 66]]], dtype=torch.int32)

>>> c.shape # 在第0维将这两个张量进行拼接，而原始的0维度向后移动

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

>>> d=torch.stack([a,b],1)

>>> d

tensor([[[ 1, 2, 3],

[ 4, 5, 6]],

[[11, 22, 33],

[44, 55, 66]]], dtype=torch.int32)

>>> d.shape # 在第1维将这两个张量进行拼接，而原始的1维度向后移动

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

>>> e=torch.stack([a,b],2)

>>> e

tensor([[[ 1, 4],

[ 2, 5],

[ 3, 6]],

[[11, 44],

[22, 55],

[33, 66]]], dtype=torch.int32)

>>> e.shape # 在第2维将这两个张量进行拼接

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

对于高维张量操作理解的时候：比如上面在拼接一维的时候，将二维就看成一个元素，这样就好理解了，如果还不理解，来看看下面的过程：

c, dim = 0时， c = [ a, b]

d, dim =1 时， d = [ [a[0] , b[0] ] , [a[1], b[1] ] ]

e, dim = 2 时， e=[ [ [ a[0][0], b[0][0] ], [ a[0][1], b[0][1]], [a[0][2], b[0][2]] ], [ [a[1][0], b[1][0] ], [a[1][1], b[0][1] ], [a[1][2], b[1][2] ] ] ]

torch.Tensor.expand(sizes) → Tensor

返回张量的一个新视图，可以将张量的单个维度（维度为1）扩大为更大的尺寸。张量也可以扩大为更高维，新增加的维度将在最外层。 扩大张量不需要分配新内存，仅仅是新建一个张量的视图。任意一个一维张量在不分配新内存情况下都可以扩展为任意的维度。传入-1则意味着维度扩大不涉及这个维度。

参数：

例子：

x = torch.tensor([[1], [2], [3]])

>>> x.shape

torch.Size([3, 1])

>>> x.expand(3, 4)

tensor([[1, 1, 1, 1],

[2, 2, 2, 2],

[3, 3, 3, 3]])

>>> x.expand(-1, 4) # -1 意味着不改变维度的大小

tensor([[ 1, 1, 1, 1],

[ 2, 2, 2, 2],

[ 3, 3, 3, 3]])

>>> y = x.expand(4,3,4) # 维度的扩增，注意：只能在最外层

>>> y

tensor([[[1, 1, 1, 1],

[2, 2, 2, 2],

[3, 3, 3, 3]],

[[1, 1, 1, 1],

[2, 2, 2, 2],

[3, 3, 3, 3]],

[[1, 1, 1, 1],

[2, 2, 2, 2],

[3, 3, 3, 3]],

[[1, 1, 1, 1],

[2, 2, 2, 2],

[3, 3, 3, 3]]])

>>> y.shape

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

torch.unsqueeze(input, dim) → Tensor

返回一个新的张量，其维数为1插入到指定的位置。返回的张量与这个张量共享相同的基础数据。

参数：

例子：

>>> x = torch.tensor([1, 2, 3, 4])

>>> y = torch.unsqueeze(x, 0)

>>> y

tensor([[ 1, 2, 3, 4]])

>>> y.shape

torch.Size([1, 4])

>>> z = torch.unsqueeze(x, 1)

>>> z

tensor([[ 1],

[ 2],

[ 3],

[ 4]])

>>> z.shape

torch.Size([4, 1])

当然unsqueeze()也可以作为对象的方法调用，看下面例子：

>>> x = torch.tensor([1, 2, 3, 4])

>>> x.shape

torch.Size([4])

>>> y = x.unsqueeze(0)

>>> y

tensor([[1, 2, 3, 4]])

>>> y.shape

torch.Size([1, 4])

>>> z = x.unsqueeze(1)

>>> z

tensor([[1],

[2],

[3],

[4]])

>>> z.shape

torch.Size([4, 1])

torch.squeeze(input, dim=None, out=None) → Tensor

参数:

例子：

>>> x = torch.zeros(2, 1, 2, 1, 2)

>>> x.size()

torch.Size([2, 1, 2, 1, 2])

>>> y = torch.squeeze(x)

>>> y.size()

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

>>> y = torch.squeeze(x, 0)

>>> y.size()

torch.Size([2, 1, 2, 1, 2])

>>> y = torch.squeeze(x, 1)

>>> y.size()

torch.Size([2, 2, 1, 2])

torch.Tensor.repeat(sizes) → Tensor

沿着指定的维度重复张量。不同于expand()方法，本函数复制的是张量中的数据。

参数：

例子：

>>> x = torch.tensor([1, 2, 3])

>>> x.repeat(4, 2)

tensor([[ 1, 2, 3, 1, 2, 3],

[ 1, 2, 3, 1, 2, 3],

[ 1, 2, 3, 1, 2, 3],

[ 1, 2, 3, 1, 2, 3]])

>>> x.repeat(4, 2, 1).size()

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

torch.Tensor.unfold(dim, size, step) → Tensor

返回一个新的张量，其中元素复制于有原张量在dim维度上的数据，复制重复size次，复制时的步进值为step。

参数：

例子：

>>> x = torch.arange(1., 8)

>>> x

tensor([ 1., 2., 3., 4., 5., 6., 7.])

>>> x.unfold(0, 2, 1) # 复制2次，步长为1

tensor([[ 1., 2.],

[ 2., 3.],

[ 3., 4.],

[ 4., 5.],

[ 5., 6.],

[ 6., 7.]])

>>> x.unfold(0, 2, 2) # 复制2次，步长为2

tensor([[ 1., 2.],

[ 3., 4.],

[ 5., 6.]])

>>> x.unfold(0,3,1) # 复制3次，步长为1

tensor([[1., 2., 3.],

[2., 3., 4.],

[3., 4., 5.],

[4., 5., 6.],

[5., 6., 7.]])

torch.Tensor.narrow(dimension, start, length) → Tensor

返回一个经过缩小后的张量。操作的维度由dimension指定。缩小范围是从start开始到start+length。执行本方法的张量与返回的张量共享相同的底层内存。

参数：

例子：

>>> x = torch.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

>>>> x

tensor([[1, 2, 3],

[4, 5, 6],

[7, 8, 9]])

>>> x.narrow(0, 0, 2)

tensor([[ 1, 2, 3],

[ 4, 5, 6]])

>>> x.narrow(1, 1, 2)

tensor([[ 2, 3],

[ 5, 6],

[ 8, 9]])

torch.Tensor.view(args) → Tensor

返回一个有相同数据但是不同形状的新的向量。返回的张量必须与原张量有相同的元素个数，但形状可以不同。

参数：

例子：

>>> x = torch.randn(4, 4)

>>> x.size()

torch.Size([4, 4])

>>> y = x.view(16)

>>> y.size()

torch.Size([16])

>>> z = x.view(-1, 8) # 大小-1是从其他维度推断出来的，也就是自适应

>>> z.size()

torch.Size([2, 8])

>>> a = torch.randn(1, 2, 3, 4)

>>> a.size()

torch.Size([1, 2, 3, 4])

>>> b = a.transpose(1, 2) # Swaps 2nd and 3rd dimension

>>> b.size()

torch.Size([1, 3, 2, 4])

>>> c = a.view(1, 3, 2, 4) # Does not change tensor layout in memory

>>> c.size()

torch.Size([1, 3, 2, 4])

>>> torch.equal(b, c)

False

torch.Tensor.resize_(sizes, memory_format=torch.contiguous_format)

将张量的尺寸调整为指定的大小。如果元素个数比当前的内存大小大，就将底层存储大小调整为与新元素数目一致的大小。

如果元素个数比当前内存小，则底层存储不会被改变。原来张量中被保存下来的元素将保持不变，但新内存将不会被初始化。

参数：

例子：

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

>>> x.resize_(2, 2)

tensor([[ 1, 2],

[ 3, 4]])

注意：resize()_会把原来张量设置为重置张量尺寸，而resize()会返回重置张量而不会改变原始张量。

torch.reshape(input, shape) → Tensor

返回与输入相同数据和元素数目的张量，但具有指定的形状。如果可能，返回的张量将是输入的视图。否则，它将是一个副本。连续输入和具有兼容跨距的输入可以在不复制的情况下进行重塑，但是您不应该依赖于复制和查看行为。

参数：

例子：

>>> a = torch.arange(4.)

>>> torch.reshape(a, (2, 2))

tensor([[ 0., 1.],

[ 2., 3.]])

>>> b = torch.tensor([[0, 1], [2, 3]])

>>> torch.reshape(b, (-1,))

tensor([ 0, 1, 2, 3])

torch.Tensor.permute(dims) → Tensor

将执行本方法的张量的维度换位。

参数：

例子：

>>> x = torch.randn(2, 3, 5)

>>> x.size()

torch.Size([2, 3, 5])

>>> x.permute(2, 0, 1).size()

torch.Size([5, 2, 3])