涉及的方法有下面幾種：
torch.cat()
torch.Tensor.expand()
torch.squeeze()
torch.Tensor.repeat()
torch.Tensor.narrow()
torch.Tensor.view()
torch.Tensor.resize_()
torch.Tensor.permute()
拼接張量
torch.cat(seq, dim=0, out=None) → Tensor
在指定的維度dim上對序列seq進行連接操作。
參數：
- seq (sequence of Tensors) - Python序列或相同類型的張量序列
- dim (int, optional) - 沿着此維度連接張量
- out (Tensor, optional) - 輸出參數
x = torch.randn(2, 3) x -0.5866 -0.3784 -0.1705 -1.0125 0.7406 -1.2073 [torch.FloatTensor of size 2x3] torch.cat((x, x, x), 0) -0.5866 -0.3784 -0.1705 -1.0125 0.7406 -1.2073 -0.5866 -0.3784 -0.1705 -1.0125 0.7406 -1.2073 -0.5866 -0.3784 -0.1705 -1.0125 0.7406 -1.2073 [torch.FloatTensor of size 6x3] torch.cat((x, x, x), 1) -0.5866 -0.3784 -0.1705 -0.5866 -0.3784 -0.1705 -0.5866 -0.3784 -0.1705 -1.0125 0.7406 -1.2073 -1.0125 0.7406 -1.2073 -1.0125 0.7406 -1.2073 [torch.FloatTensor of size 2x9]
拼接張量2
torch.stack((Tensor), dim)
a = torch.IntTensor([[1,2,3],[11,22,33]])
b= torch.IntTensor([[4,5,6],[44,55,66]])
c=torch.stack([a,b],0)
d=torch.stack([a,b],1)
e=torch.stack([a,b],2)
print(c)
print(d)
print(e)
>>> print(c)
tensor([[[ 1, 2, 3],
[11, 22, 33]],
[[ 4, 5, 6],
[44, 55, 66]]], dtype=torch.int32)
>>> print(d)
tensor([[[ 1, 2, 3],
[ 4, 5, 6]],
[[11, 22, 33],
[44, 55, 66]]], dtype=torch.int32)
>>> print(e)
tensor([[[ 1, 4],
[ 2, 5],
[ 3, 6]],
[[11, 44],
[22, 55],
[33, 66]]], dtype=torch.int32)
c, dim = 0時， c = [ a, b]
d, dim =1 時， d = [ [a[0] , b[0] ] , [a[1], b[1] ] ]
e, dim = 2 時， e=[ [ [ a[0][0], b[0][0] ], [ a[0][1], b[0][1]], [a[0][2], b[0][2]] ], [ [a[1][0], b[1][0] ], [a[1][1], b[0][1] ], [a[1][2], b[1][2] ] ] ]
擴大張量
torch.Tensor.expand(*sizes) → Tensor
返回張量的一個新視圖，可以將張量的單個維度擴大為更大的尺寸。
張量也可以擴大為更高維，新增加的維度將附在前面。 擴大張量不需要分配新內存，僅僅是新建一個張量的視圖。任意一個一維張量在不分配新內存情況下都可以擴展為任意的維度。
傳入-1則意味着維度擴大不涉及這個維度。
參數：
sizes (torch.Size or int…) – 想要擴展的目標維度
1 x = torch.Tensor([[1], [2], [3]]) 2 x.size() 3 torch.Size([3, 1]) 4 x.expand(3, 4) 5 1 1 1 1 6 2 2 2 2 7 3 3 3 3 8 [torch.FloatTensor of size 3x4]
壓縮張量
torch.squeeze(input, dim=None, out=None) → Tensor
除去輸入張量input中數值為1的維度，並返回新的張量。如果輸入張量的形狀為（A×1×B×C×1×D），那么輸出張量的形狀為
（A×B×C×D）。
當通過dim參數指定維度時，維度壓縮操作只會在指定的維度上進行。如果輸入向量的形狀為（A×1×B），squeeze(input, 0)會保持張量的維度不變，只有在執行
squeeze(input, 1)時，輸入張量的形狀會被壓縮至（A×B）。
如果一個張量只有1個維度，那么它不會受到上述方法的影響。
輸出的張量與原張量共享內存，如果改變其中的一個，另一個也會改變。
參數:
input (Tensor) – 輸入張量
dim (int, optional) – 如果給定，則只會在給定維度壓縮
out (Tensor, optional) – 輸出張量
1 x = torch.zeros(2, 1, 2, 1, 2) 2 x.size() 3 torch.Size([2, 1, 2, 1, 2]) 4 y = torch.squeeze(x) 5 y.size() 6 torch.Size([2, 2, 2]) 7 y = torch.squeeze(x, 0) 8 y.size() 9 torch.Size([2, 1, 2, 1, 2]) 10 y = torch.squeeze(x, 1) 11 y.size() 12 torch.Size([2, 2, 1, 2])
重復張量
torch.Tensor.repeat(*sizes)
沿着指定的維度重復張量。不同於expand()方法，本函數復制的是張量中的數據。
參數：
- size (torch.size or int…) - 沿着每一維重復的次數
1 x = torch.Tensor([1, 2, 3]) 2 x.repeat(4, 2) 3 1 2 3 1 2 3 4 1 2 3 1 2 3 5 1 2 3 1 2 3 6 1 2 3 1 2 3 7 [torch.FloatTensor of size 4x6]
torch.Tensor.unfold(dim, size, step) → Tensor
返回一個新的張量，其中元素復制於有原張量在dim維度上的數據，復制重復size次，復制時的步進值為step。
參數：
dim (int) - 目標維度
size (int) - 復制重復的次數（展開維度）
step (int) - 步長
例子：
1 x = torch.arange(1, 8) 2 x 3 1 4 2 5 3 6 4 7 5 8 6 9 7 10 [torch.FloatTensor of size 7] 11 x.unfold(0, 2, 1) 12 1 2 13 2 3 14 3 4 15 4 5 16 5 6 17 6 7 18 [torch.FloatTensor of size 6x2] 19 x.unfold(0, 2, 2) 20 1 2 21 3 4 22 5 6 23 [torch.FloatTensor of size 3x2]
縮小張量
torch.Tensor.narrow(dimension, start, length) → Tensor
返回一個經過縮小后的張量。操作的維度由dimension指定。縮小范圍是從start開始到start+length。執行本方法的張量與返回的張量共享相同的底層內存。
參數：
dimension (int) – 要進行縮小的維度
start (int) – 開始維度索引
length (int) – 縮小持續的長度
例子：
1 x = torch.Tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) 2 x.narrow(0, 0, 2) 3 1 2 3 4 4 5 6 5 [torch.FloatTensor of size 2x3] 6 x.narrow(1, 1, 2) 7 2 3 8 5 6 9 8 9 10 [torch.FloatTensor of size 3x2]
張量變形
torch.Tensor.view(*args) → Tensor
返回一個有相同數據但是不同形狀的新的向量。
返回的裝兩必須與原張量有相同的數據和相同的元素個數，但是可以有不同的尺寸。
參數：
- args (torch.Size or int…) - 理想的指定尺寸
1 x = torch.randn(4, 4) 2 x.size() 3 torch.Size([4, 4]) 4 y = x.view(16) 5 y.size() 6 torch.Size([16])
重設張量尺寸
torch.Tensor.resize_(*sizes)
將張量的尺寸調整為指定的大小。如果元素個數比當前的內存大小大，就將底層存儲大小調整為與新元素數目一致的大小。
如果元素個數比當前內存小，則底層存儲不會被改變。原來張量中被保存下來的元素將保持不變，但新內存將不會被初始化。
參數：
sizes (torch.Size or int…) - 需要調整的大小
1 x = torch.Tensor([[1, 2], [3, 4], [5, 6]]) 2 x.resize_(2, 2) 3 x 4 1 2 5 3 4 6 [torch.FloatTensor of size 2x2]
置換張量維度
torch.Tensor.permute(*dims)
將執行本方法的張量的維度換位。
參數：
- dim (int) - 指定換位順序
例子：
1 x = torch.randn(2, 3, 5) 2 x.size() 3 torch.Size([2, 3, 5]) 4 x.permute(2, 0, 1).size() 5 torch.Size([5, 2, 3])
查看張量單個元素的字節數
torch.Tensor.element_size() → int
查看某類型張量單個元素的字節數。
1 torch.FloatTensor().element_size() 2 4
---------------------
作者：藍鯨123
來源：CSDN
原文：https://blog.csdn.net/TH_NUM/article/details/83088915
版權聲明：本文為博主原創文章，轉載請附上博文鏈接！