涉及的方法有下面几种：
torch.cat()
torch.Tensor.expand()
torch.squeeze()
torch.Tensor.repeat()
torch.Tensor.narrow()
torch.Tensor.view()
torch.Tensor.resize_()
torch.Tensor.permute()
拼接张量
torch.cat(seq, dim=0, out=None) → Tensor
在指定的维度dim上对序列seq进行连接操作。
参数：
- seq (sequence of Tensors) - Python序列或相同类型的张量序列
- dim (int, optional) - 沿着此维度连接张量
- out (Tensor, optional) - 输出参数
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]
拼接张量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时， c = [ a, b]
d, dim =1 时， d = [ [a[0] , b[0] ] , [a[1], b[1] ] ]
e, dim = 2 时， 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] ] ] ]
扩大张量
torch.Tensor.expand(*sizes) → Tensor
返回张量的一个新视图，可以将张量的单个维度扩大为更大的尺寸。
张量也可以扩大为更高维，新增加的维度将附在前面。 扩大张量不需要分配新内存，仅仅是新建一个张量的视图。任意一个一维张量在不分配新内存情况下都可以扩展为任意的维度。
传入-1则意味着维度扩大不涉及这个维度。
参数：
sizes (torch.Size or int…) – 想要扩展的目标维度
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]
压缩张量
torch.squeeze(input, dim=None, out=None) → Tensor
除去输入张量input中数值为1的维度，并返回新的张量。如果输入张量的形状为（A×1×B×C×1×D），那么输出张量的形状为
（A×B×C×D）。
当通过dim参数指定维度时，维度压缩操作只会在指定的维度上进行。如果输入向量的形状为（A×1×B），squeeze(input, 0)会保持张量的维度不变，只有在执行
squeeze(input, 1)时，输入张量的形状会被压缩至（A×B）。
如果一个张量只有1个维度，那么它不会受到上述方法的影响。
输出的张量与原张量共享内存，如果改变其中的一个，另一个也会改变。
参数:
input (Tensor) – 输入张量
dim (int, optional) – 如果给定，则只会在给定维度压缩
out (Tensor, optional) – 输出张量
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])
重复张量
torch.Tensor.repeat(*sizes)
沿着指定的维度重复张量。不同于expand()方法，本函数复制的是张量中的数据。
参数：
- size (torch.size or int…) - 沿着每一维重复的次数
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
返回一个新的张量，其中元素复制于有原张量在dim维度上的数据，复制重复size次，复制时的步进值为step。
参数：
dim (int) - 目标维度
size (int) - 复制重复的次数（展开维度）
step (int) - 步长
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]
缩小张量
torch.Tensor.narrow(dimension, start, length) → Tensor
返回一个经过缩小后的张量。操作的维度由dimension指定。缩小范围是从start开始到start+length。执行本方法的张量与返回的张量共享相同的底层内存。
参数：
dimension (int) – 要进行缩小的维度
start (int) – 开始维度索引
length (int) – 缩小持续的长度
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]
张量变形
torch.Tensor.view(*args) → Tensor
返回一个有相同数据但是不同形状的新的向量。
返回的装两必须与原张量有相同的数据和相同的元素个数，但是可以有不同的尺寸。
参数：
- 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])
重设张量尺寸
torch.Tensor.resize_(*sizes)
将张量的尺寸调整为指定的大小。如果元素个数比当前的内存大小大，就将底层存储大小调整为与新元素数目一致的大小。
如果元素个数比当前内存小，则底层存储不会被改变。原来张量中被保存下来的元素将保持不变，但新内存将不会被初始化。
参数：
sizes (torch.Size or int…) - 需要调整的大小
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]
置换张量维度
torch.Tensor.permute(*dims)
将执行本方法的张量的维度换位。
参数：
- dim (int) - 指定换位顺序
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])
查看张量单个元素的字节数
torch.Tensor.element_size() → int
查看某类型张量单个元素的字节数。
1 torch.FloatTensor().element_size() 2 4
---------------------
作者：蓝鲸123
来源：CSDN
原文：https://blog.csdn.net/TH_NUM/article/details/83088915
版权声明：本文为博主原创文章，转载请附上博文链接！