官方文档在这里，说的比较清楚，但是举的例子不是很直观。我们再详细解释一下：

torch.roll(input, shifts, dims=None) → Tensor

• input：输入的tensor
• shifts：滚动的方向和长度，若为正，则向索引大的方向滚动；若为负，则向索引减小的方向滚动。可是一个整数也可以是一个元组
• dims：tensor滚动的维度；要和shifts设置的数量对齐。

这里要特别指出，如果移动的位置已经超出本身维度的大小，就补到反方向去。即不会丢弃数值，也不会凭空补齐数值。会循环滚动。

# 二维tensor举例
x = torch.tensor([[0, 0, 0, 0],
                  [0, 1, 1, 0],
                  [0, 1, 1, 0],
                  [0, 0, 0, 0]])
                  
# 第0维向索引大的方向滚动1个位置，即整体向下移动1个像素，第1行的元素由第4行元素补齐
y = torch.roll(x, shifts=(1), dims=(0))
tensor([[0, 0, 0, 0],
        [0, 0, 0, 0],
        [0, 1, 1, 0],
        [0, 1, 1, 0]])

# 第0维向索引小的方向滚动1个位置，即整体向上移动1个像素，第4行的元素由第1行元素补齐
x = torch.roll(x, shifts=(-1), dims=(0))
tensor([[0, 1, 1, 0],
        [0, 1, 1, 0],
        [0, 0, 0, 0],
        [0, 0, 0, 0]])
        
# 第1维向索引大的方向滚动2个位置，即整体向右移动2个像素，第1、2列的元素由第3、4列元素补齐        
x = torch.roll(x, shifts=(0, 2), dims=(0, 1))
tensor([[0, 0, 0, 0],
        [1, 0, 0, 1],
        [1, 0, 0, 1],
        [0, 0, 0, 0]])
        
# 第0、1维向索引小的方向滚动2像素，即整体向下、右移动2个像素
x = torch.roll(x, shifts=(2, 2), dims=(0, 1))
tensor([[1, 0, 0, 1],
        [0, 0, 0, 0],
        [0, 0, 0, 0],
        [1, 0, 0, 1]])
        

torch.roll()的使用比较简单，在实际中的应用也比较多，比如在swin-transformer中，利用torch.roll()进行MSA的计算，具体原理就不讲解了：