pytorch张量维度操作（拼接、维度扩展、压缩、转置、重复……） PyTorch

张量的操作确实有技巧，pytorch中提供了一些相关的操作，在编程的时候很有用。
涉及的方法见下面的目录：

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

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 ）（A×1×B×C×1×D）（A×1×B×C×1×D），那么输出张量的形状为：（ A × B × C × D ）（A×B×C×D）（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 ）（A×1×B）（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 ）（A×B）（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 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：
【pytorch张量维度操作（拼接、维度扩展、压缩、转置、重复……）】链接: http://www.manongjc.com/article/99509.html.
链接: https://pytorch.org/docs/stable/index.html.