PyTorch中张量形状的常见操作

在 PyTorch 中，我们可以使用多种方式调整张量的形状。以下是一些常见的形状操作方法及其示例：

1. reshape() 或 view()：这两个方法都可以重新调整张量的形状。注意，这些操作并不会改变原始张量的数据，而是返回一个新的张量视图。

   import torch
   
   x = torch.arange(12)  # tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
   reshaped_x = x.reshape(3, 4)
   print(reshaped_x)

2. squeeze()：去除尺寸为1的维度。

   x = torch.randn(1, 3, 1, 5)
   squeezed_x = x.squeeze()
   print(squeezed_x.shape)  # 输出: torch.Size([3, 5])

3. unsqueeze()：在指定位置添加尺寸为1的维度。

   x = torch.randn(3, 5)
   unsqueezed_x = x.unsqueeze(0)
   print(unsqueezed_x.shape)  # 输出: torch.Size([1, 3, 5])

4. transpose() 或 permute()：交换张量的两个维度或更改多个维度的顺序。

   x = torch.randn(3, 4, 5)
   transposed_x = x.transpose(0, 1)  # 交换第0和第1个维度
   print(transposed_x.shape)  # 输出: torch.Size([4, 3, 5])
   
   permuted_x = x.permute(2, 0, 1)  # 改变维度的顺序
   print(permuted_x.shape)  # 输出: torch.Size([5, 3, 4])

5. expand() 或 repeat()：用于复制张量。

   x = torch.tensor([[1], [2], [3]])  # shape: [3, 1]
   expanded_x = x.expand(3, 4)        # shape: [3, 4], 不增加额外的内存
   print(expanded_x)
   
   repeated_x = x.repeat(1, 4)        # shape: [3, 4], 增加额外的内存
   print(repeated_x)

6. flatten()：用于将多维张量转换为一维。

   x = torch.randn(2, 3, 4)
   flattened_x = x.flatten()
   print(flattened_x.shape)  # 输出: torch.Size([24])

7. torch.cat()：此操作用于沿指定的维度连接张量序列。这意味着，对于指定的维度，张量的尺寸会增加，但其他维度的尺寸必须相同。

   import torch
   
   x = torch.tensor([[1, 2], [3, 4]])
   y = torch.tensor([[5, 6]])
   
   # 沿第0个维度（即行）连接
   z = torch.cat([x, y], dim=0)
   print(z)
   # 输出:
   # tensor([[1, 2],
   #         [3, 4],
   #         [5, 6]])

8. torch.stack()：此操作用于在新的维度上堆叠张量。这意味着张量的总维数会增加1。为了使用 torch.stack()，所有张量都必须具有相同的形状。

   x = torch.tensor([1, 2])
   y = torch.tensor([3, 4])
   
   # 沿一个新的维度堆叠
   z = torch.stack([x, y])
   print(z)
   # 输出:
   # tensor([[1, 2],
   #         [3, 4]])

通过掌握这些形状操作，你可以更加灵活地处理和转换张量，从而满足不同的深度学习任务和数据处理需求。