前言
参考
课时21 维度变换-2_哔哩哔哩_bilibili
目录：
- view
- unsqueeze
- squeeze
- Expand
- repeat
- 转置
- contiguous
- Permute
- 例子
一 view
作用：
重新调整Tensor的形状，通过shape，或size属性可以看出来
1.1 普通的用法
import torch
def test():
img = torch.rand(4,1,28,28)
a1= img.view(4,28*28)
print("\n a1 ",a1.shape,a1.size())
if __name__ == "__main__":
test()
输出：
a1 torch.Size([4, 784]) torch.Size([4, 784])1.2参数-1 (自动调整该维度 size)
import torch
def test():
a = torch.arange(0, 16, 1)
a1= a.view(-1,16)
a2 = a.view(16,-1)
print("\n a1 ",a2.shape,a1.shape)
print(a1.size(0),a2.size(0))
if __name__ == "__main__":
test()输出
a1 torch.Size([16, 1]) torch.Size([1, 16])
1 16
二 unsqueeze
在指定的维度增加一个维度
2.1 正数
指定的位置前面插入一个维度
def test():
a = torch.rand(4,5,6)
a2 =a.unsqueeze(2).shape
print("\n a2.shape: ",a2,a.ndim)
a3 = a.unsqueeze(3).shape
print("\n a3: ",a3)
if __name__ == "__main__":
test()输出
a2.shape torch.Size([4, 5, 1, 6]) 3
a3 torch.Size([4, 5, 6, 1])
2.2 负数
在指定的维度之后插入一个维度
a = torch.rand(4,5,6)
a2 =a.unsqueeze(-3).shape
在指定的维度之后插入一个维度
a2.shape: torch.Size([4, 1, 5, 6]) 3
例1： 在指定的维度之后插入
例2 : 在指定的维度之前插入
三 squeeze
维度挤压，如果指定的维度为1，则删除该维度，其它则保持不变
a = torch.rand(1,3,1,1)
b = a.squeeze().shape
print("\n 默认 ",b)
#索引为正数
#Positive and negative number
p_0 = a.squeeze(0).shape
print("\n 挤压0",p_0)
p_1 = a.squeeze(1).shape
print("\n 挤压1",p_1)
#索引为负数
n_0 = a.squeeze(-1).shape
print("\n 挤压-1 ",n_0)
n_1 = a.squeeze(-4).shape
print("\n 挤压-4 ",p_1)
四 Expand
正数作用和reshape 一样，对应的维度上面调整到指定的大小
负数 -1：
表示该维度保持不变
五 repeat
在指定的维度上面复制几次
六 矩阵转置
下面这张方法值只适用于2D的矩阵。
a = torch.rand(2,3)
d= a.T.shape
print("\n b ",d)
七 contiguous
torch.contiguous()方法首先拷贝了一份张量在内存中的地址，然后将地址按照形状改变后的张量的语义进行排列。
torch.contiguous()方法语义上是“连续的”，经常与torch.permute()、torch.transpose()、torch.view()方法一起使用，要理解这样使用的缘由，得从pytorch多维数组的底层存储开始说起：
touch.view()方法对张量改变“形状”其实并没有改变张量在内存中真正的形状，可以理解为：
view方法没有拷贝新的张量，没有开辟新内存，与原张量共享内存；
view方法只是重新定义了访问张量的规则，使得取出的张量按照我们希望的形状展现。
7.1 pytorch与numpy在存储MxN的数组时，均是按照行优先将数组拉伸至一维存储
a = torch.tensor([[1,2,3],
[4,5,6]])
print(a,a.shape)在内存中的样子：相当于做个flatten
[1, 2, 3, 4, 5, 6]
7.2 当我们使用torch.transpose()方法或者torch.permute()方法对张量翻转后，改变了张量内存的形状
a = torch.tensor([[1,2,3],
[4,5,6]])
print("\n a ",a.shape)
a2 =a.transpose(0,1)此刻如果再想通过view 方式访问就会出错
原因是：改变了形状的a2语义上是2行3列的，在内存中还是跟a一样，没有改变，导致如果按照语义的形状进行view拉伸，数字不连续，此时torch.contiguous()方法就派上用场了
a = torch.tensor([[1,2,3],
[4,5,6]])
b = a.transpose(0,1).contiguous().view(2,3)
print(b)
out:
tensor([[1, 4, 2],
[5, 3, 6]])八 Permute
transpose 改变维度只能两两交换，有的时候需要多次交换比较繁琐
比如[B,C,H,W] 需要更变成[B,H,W,C]
则 [B,C,H,W]--->[B,W,H,C]--->[B,H,W,C] 两次变更才能得到
通过permute 操作一次就可以完成
a = torch.rand(2,3,4,5)
b = a.permute(0,2,3,1).shape
torch.Size([2, 4, 5, 3])
如下为shape的变换情况
九 例子
8.1 view
把原先tensor中的数据按照行优先的顺序排成一个一维的数据（这里应该是因为要求地址是连续存储的），然后按照参数组合成其他维度的tensor
8.2 view+tranpose+continues
a = torch.rand(5,3,16,16)
a1 = a.transpose(1,3).view(5,3*16*16).view(5,3,16,16)5张图片，图片channel =3 ,height=16, width =16
通过transpose改变了meomery中的存储结构，不再是那种按行顺序结构了，再去访问的时候
就会出错
解决方法：
a1 = a.transpose(1,3).contiguous().view(5,3*16*16).view(5,3,16,16)
eq = torch.all(torch.eq(a,a1))问题：
不报错了，但是因为transpose改变了数据Memory中的顺序，再访问依然按照
[B,W,H,C] 去获取[B,C,H,W]数据.
解决方案：
[B,C,H,W]->[B,W,H,C]->[B,C,H,W]
a1 = a.transpose(1,3).contiguous().view(5,3*16*16).view(5,16,16,3).transpose(1,3)
eq = torch.all(torch.eq(a,a1))
print(eq)
tensor(True)
