[人工智能]最常用的3种Pytorch tensor的维度变化方法

最近一周一直在搭建新的模型，学到了很多新的tensor维度变化操作，记录一下：

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

1、None增加一维：

b = a[None, :]  # 改成两维（一个逗号），增加到第一维
>>> b == tensor([[1, 2, 3]])

c = a[:, None]  # 改成两维（一个逗号），增加到第二维
>>> c == tensor([[1],[2],[3]])

d = a[:,None, None]  # 改成三维（两个逗号），增加到第二、三维
>>> d == tensor([[[1]],[[2]],[[3]]])

可以看出，None就是用来加[]的，一个None比原来多一维，n个逗号代表最后的向量是n+1维度的。
值得注意的是，None这种加[]不会改变原向量a，并且返回的新向量的属性也是默认tensor属性而不是a的，比如设置a的requires_grad=True，b c d还是默认的requires_grad=False。

2、view(*args) 改变形状

这是一个很有意思的方法，做的事情和None有点类似，但是它可以压缩向量维度。就是把一个tensor的元素先按行列依次展平，然后再reshape成view中传入参数的形状。
其中-1代表自适应。
例如:
1） tensor.view(-1) 代表将tensor展成自适应一维。（注意，如果值view一维，那么传参要不是-1，要不就是所有元素个数。因此view一维建议全部用view(-1)表示）。
2） tensor.view(1,-1) 代表将tensor变成2维，其中第一维是自适应。
3） tensor.view(1, 1,-1) 代表将tensor变成3维，其中第一维是自适应。
…依次类推，如果设置的张量shape没法整除，那么程序会抛出RuntimeError错误，可以后期捕捉。

3、squeeze()和unsqueeze(*args)

tensor.squeeze()不用传参，代表将张量中所有shape1的维数去掉，用于节省内存或者满足强迫症需求。注意的是suqeeze方法去的是所有的shape1的维数。

1. tensor.unsqueeze(0) 代表在第0维加上一个维数为1的
2. tensor.unsqueeze(1) 代表在第1维加上一个维数为1的
   …