view 和 reshape?操作
二者的功能和用法是相同的，不过要保证 view 的size整体不变，即numel（）一致
view操作会把维度信息给丢失掉，要记牢数据的存储顺序
a = torch.rand(4,1,28,28)
b = a.view(4,28*28) #丢失两个维度
print(b)
print(b.shape)
c = a.view(4*28,28) #丢失两个维度
d = a.view(4*1,28,28) #丢失一个维度
e = a.reshape(4*1,28,28) #和view一样
print(c.shape)
print(d.shape)
print(e.shape)
?Squeeze 与 Unsqueeze
挤压与展开
?unsqueeze
新插入一个维度，这个维度不会改变数据本身，不会增加也不会减少数据，相当于增加了一个组别
a = torch.rand(4,1,28,28)
b = a.unsqueeze(0) #在第0个维度前面添加1维度
c = a.unsqueeze(4) #在第4个维度前面添加1维度
d = a.unsqueeze(-1) #在最后一个维度后面添加1维度
e = a.unsqueeze(-4)
f = a.unsqueeze(-5)
print(b.shape),print(c.shape),print(d.shape)
print(e.shape),print(f.shape)
?它还可以改变tensor的形状
a = torch.tensor([1,2])
b = a.unsqueeze(0) #在外面增加一个维度
c = a.unsqueeze(1) #在里面增加一个维度
print(a)
print(a.shape)
print(b)
print(c)
它还可以嵌套多次~扩张维度
#a = torch.rand(4,1,28,30) #可以使用unsqueeze将一个D的展开为3D，然后再扩张成为a
a = torch.rand(28)
b = a.unsqueeze(0)
c = a.unsqueeze(0).unsqueeze(0)
d = a.unsqueeze(0).unsqueeze(0).unsqueeze(3)
print(b.shape),print(c.shape),print(d.shape)?
squeeze
挤压，顾名思义这里就是维度删减
可以接收正的和负的索引，如果当前索引的数字是1，就把这个维度去掉，否则不变，
如果不给索引，默认把所有符合条件的去掉
a = torch.rand(1,32,1,1)
b = a.squeeze() #什么都不写，默认把所有size为1的删去
c = a.squeeze(0) #若索引位置是1，就把这一维去掉，否则不变
d = a.squeeze(1) #不变
e = a.squeeze(-1)
print(b.shape),print(c.shape)
print(d.shape),print(e.shape)
expand 和 repeat
二者都可以扩展一个张量的shape，是等效的，不过repeat有弊端，推荐 expand
expand
不会主动地复制数据，速度快，节约内存
它的扩张两个条件
? ? ? ? 1、只有当前维度size为1 时才任意扩张，否则不能。
? ? ? ? 2、扩张前后的维度不变
# a = torch.rand(4,32,14,14)
b = torch.rand(1,32,1,1) #接下来由 b 扩张为 a
ba = b.expand(4,32,14,14)
print(ba.shape)
c = b.expand(-1,-1,4,14) #输入-1,则返回原来对应的数据
print(c.shape)
repeat?
repeat（ ） 它给的参数不再是扩张后的数据，而是每个维度要重复的次数。会更改原来的数据
两个条件：
? ? ? ? 1、维度前后不变
? ? ? ? 2、给的参数是每个维度重复的次数，要自己计算
a = torch.rand(1,12,1,1)
b = a.repeat(4,12,8,13) #每个维度要重复的次数
c = a.repeat(4,1,12,12)
print(b.shape)
print(c.shape)
.t? ? ? ? ????????transpose? ? ? ? ? ? ? ? permute
三种维度转换操作
.t? ? ? ????????? 转置操作
这种方法只适用于二维，即矩阵
a = torch.randn(2,4)
b = a.t()
print(a),print(b)
transpose? ? ? ? ? ? ? ? ?维度交换
transpose、permute等维度变换操作后，tensor在内存中不再是连续存储的，而view操作要求tensor的内存连续存储，所以需要contiguous来返回一个contiguous copy
view会使维度顺序关系模糊，需要人为跟踪
a = torch.rand(4,3,32,32)
b = a.transpose(1,3) #表示要交换的维度
print(b.shape)
a1 = a.transpose(1,3).contiguous().view(4,3*32*32).view(4,3,32,32) #第一维交换了没换回来，即使shape一样，实际不一样
a2 = a.transpose(1,3).contiguous().view(4,3*32*32).view(4,32,32,3).transpose(1,3)#view后要记住顺序，得换回来才是原样
print(a1.shape),print(a2.shape)
print(torch.all(torch.eq(a,a1))) #判断内容是否不变
print(torch.all(torch.eq(a,a2))) #eq函数比较内容是不是一致，all返回TRUE or FALSE
permute? ? ? ? 交换维度
它可以完成任意维度的交换，在交换的过程中相当于调用任意多次的transpose
permute()使用
? ? ? ? 用原来shape的索引放置的位置确定谁与谁交换
a = torch.rand(4,3,28,28)
b = a.transpose(1,3).transpose(0,2)
p = a.permute(2,3,0,1) #一步到位
print(b.shape)
print(p.shape)