pytorch张量维度操作（拼接、维度扩展、压缩、转置、重复）
目录
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()
一、拼接张量
1、torch.cat()
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：
tensors (sequence of Tensors) - 相同类型的张量的任何python序列。所提供的非空张量必须具有相同的形状，除了cat尺寸。
dim (int, optional) - 沿着此维度连接张量
out (Tensor, optional) - 输出参数
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])2、torch.stack()
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：
tensors (sequence of Tensors) - 连接的张量序列
dim (int, optional) - 维插入。必须在0和连接张量的维数之间(包括)
out (Tensor, optional) - 输出参数
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] ] ] ]二、扩大张量
1、torch.Tensor.expand()
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：
sizes (torch.Size or int…) – 想要扩展的目标维度
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])2、torch.unsqueeze()
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：
input (Tensor) – 输入的张量
dim (int) – 要插入维数的索引
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])三、压缩张量
1、torch.squeeze()
torch.squeeze(input, dim=None, out=None) → Tensor
除去输入张量input中数值为1的维度，并返回新的张量。如果输入张量的形状为
（A×1×B×C×1×D），那么输出张量的形状为：
（A×B×C×D）。
当通过dim参数指定维度时，维度压缩操作只会在指定的维度上进行。如果输入向量的形状为
（A×1×B），squeeze(input, 0)会保持张量的维度不变，只有在执行squeeze(input, 1)时，输入张量的形状会被压缩至
（A×B）。
如果一个张量只有1个维度，那么它不会受到上述方法的影响。
输出的张量与原张量共享内存，如果改变其中的一个，另一个也会改变。
参数:
input (Tensor) – 输入张量
dim (int, optional) – 如果给定，则只会在给定维度压缩
out (Tensor, optional) – 输出张量
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])四、重复张量
1、torch.Tensor.repeat()
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：
size (torch.size or int…) - 沿着每一维重复的次数
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])2、torch.Tensor.unfold()
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：
dim (int) - 目标维度
size (int) - 复制重复的次数（展开维度）
step (int) - 步长
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.]])五、缩小张量
1、torch.Tensor.narrow()
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：
dimension (int) – 要进行缩小的维度
start (int) – 开始维度索引
length (int) – 缩小持续的长度
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]])六、张量变形 z
1、torch.Tensor.view()
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：
args (torch.Size or int…) - 指定的尺寸
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七、重设张量尺寸
1、torch.Tensor.resize_()
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：
sizes (torch.Size or int…) - 需要调整的大小
memory_format (torch.memory_format, optional) – 所需的张量存储格式。默认值:torch.contiguous_format。注意，如果self.size()匹配大小，self的内存格式将不受影响。
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。
2、torch.reshape()
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：
input (Tensor) – 要重塑的张量
shape (tuple of python:ints) – 新的形状
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])八、置换张量维度
1、torch.Tensor.permute()
torch.Tensor.permute(dims) → Tensor
将执行本方法的张量的维度换位。
参数：
dim (int) - 指定换位顺序
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])先总结这些，后面遇到了再更新。
参考文献：
链接: http://www.manongjc.com/article/99509.html.
链接: https://pytorch.org/docs/stable/index.html.