1.View函数
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。比如说是不管你原先的数据是[[[1,2,3],[4,5,6]]]还是[1,2,3,4,5,6]，因为它们排成一维向量都是6个元素，所以只要view后面的参数一致，得到的结果都是一样的。
小案例：
import torch a=torch.Tensor([[[1,2,3],[4,5,6]]]) b=torch.Tensor([1,2,3,4,5,6]) print(a.view(1,6)) print(b.view(1,6)) #得到的结果都是tensor([[1., 2., 3., 4., 5., 6.]]) #再看一个例子： a=torch.Tensor([[[1,2,3],[4,5,6]]]) print(a.view(3,2))
控制台输出：
参数不可为空。参数中的-1就代表这个位置由其他位置的数字来推断，只要在不致歧义的情况下，view参数就可以推断出来，也就是人可以推断出形状的情况下，view函数也可以推断出来。比如a tensor的数据个数是6个，如果view（1，-1），我们就可以根据tensor的元素个数推断出-1代表6。而如果是view（-1，-1，2），人不知道怎么推断，机器也不知道。还有一种情况是人可以推断出来，但是机器推断不出来的：view（-1，-1，6），人可以知道-1都代表1，但是机器不允许同时有两个-1。
2.max函数
import torch a = torch.randn(3,3) print(a)#返回生成的随机tensor(3*3) print(torch.max(a,0))#返回每一列中最大值的那个元素，且返回索引（返回最大元素在这一列的行索引） print(torch.max(a,1))#返回每一行中最大值的那个元素，且返回其索引（返回最大元素在这一行的列索引） print(torch.max(a))#返回tensor a 中的最大值 print(torch.max(a,0)[0] )# 只返回最大值的每个数 print(torch.max(a,0)[1])#只返回最大值的每个索引
控制台输出：
D:softwaretoolsanacondapython.exe D:/pycharmprojects/hoteltest01/hoteltest01/testpy/test16.py tensor([[ 1.6294, 0.2568, 0.2093], [ 0.4974, -2.1175, 0.1659], [ 0.0640, 1.4387, -0.5895]]) torch.return_types.max( values=tensor([1.6294, 1.4387, 0.2093]), indices=tensor([0, 2, 0])) torch.return_types.max( values=tensor([1.6294, 0.4974, 1.4387]), indices=tensor([0, 0, 1])) tensor(1.6294) tensor([1.6294, 1.4387, 0.2093]) tensor([0, 2, 0]) Process finished with exit code 0
max函数用法总结：
torch.max(a) 返回输入tensor a中所有元素的最大值
torch.max(a,0) 返回每一列中最大值的那个元素，且返回索引（返回最大元素在这一列的行索引）
torch.max(a,1) 返回每一行中最大值的那个元素，且返回其索引（返回最大元素在这一行的列索引）
torch.max()[0]， 只返回最大值的每个数
troch.max()[1]， 只返回最大值的每个索引
torch.max()[1].data 只返回variable中的数据部分（去掉Variable containing:）
torch.max()[1].data.numpy() 把数据转化成numpy ndarry
torch.max()[1].data.numpy().squeeze() 把数据条目中维度为1 的删除掉
torch.max(tensor1,tensor2) element-wise 比较tensor1 和tensor2 中的元素，返回较大的那个值
torch.unsqueeze(input, dim, out=None)
作用：扩展维度
返回一个新的张量，对输入的既定位置插入维度 1
如果dim为负，则将会被转化dim+input.dim()+1
参数:
tensor (Tensor) – 输入张量
dim (int) – 插入维度的索引
out (Tensor, optional) – 结果张量
import torch x = torch.Tensor([1, 2, 3, 4]) # torch.Tensor是默认的tensor类型（torch.FlaotTensor）的简称。 print('-' * 50) print(x) # tensor([1., 2., 3., 4.]) print(x.size()) # torch.Size([4]) print(x.dim()) # 1 print(x.numpy()) # [1. 2. 3. 4.] print('-' * 50) print(torch.unsqueeze(x, 0)) # tensor([[1., 2., 3., 4.]]) print(torch.unsqueeze(x, 0).size()) # torch.Size([1, 4]) print(torch.unsqueeze(x, 0).dim()) # 2 print(torch.unsqueeze(x, 0).numpy()) # [[1. 2. 3. 4.]] print('-' * 50) print(torch.unsqueeze(x, 1)) # tensor([[1.], # [2.], # [3.], # [4.]]) print(torch.unsqueeze(x, 1).size()) # torch.Size([4, 1]) print(torch.unsqueeze(x, 1).dim()) # 2 print('-' * 50) print(torch.unsqueeze(x, -1)) # tensor([[1.], # [2.], # [3.], # [4.]]) print(torch.unsqueeze(x, -1).size()) # torch.Size([4, 1]) print(torch.unsqueeze(x, -1).dim()) # 2 print('-' * 50) print(torch.unsqueeze(x, -2)) # tensor([[1., 2., 3., 4.]]) print(torch.unsqueeze(x, -2).size()) # torch.Size([1, 4]) print(torch.unsqueeze(x, -2).dim()) # 2
控制台输出：
D:softwaretoolsanacondapython.exe D:/pycharmprojects/hoteltest01/hoteltest01/testpy/test16.py -------------------------------------------------- tensor([1., 2., 3., 4.]) torch.Size([4]) 1 [1. 2. 3. 4.] -------------------------------------------------- tensor([[1., 2., 3., 4.]]) torch.Size([1, 4]) 2 [[1. 2. 3. 4.]] -------------------------------------------------- tensor([[1.], [2.], [3.], [4.]]) torch.Size([4, 1]) 2 -------------------------------------------------- tensor([[1.], [2.], [3.], [4.]]) torch.Size([4, 1]) 2 -------------------------------------------------- tensor([[1., 2., 3., 4.]]) torch.Size([1, 4]) 2 Process finished with exit code 0
4.torch.squeeze 详解
torch.squeeze(input, dim=None, out=None)
作用：降维
将输入张量形状中的1 去除并返回。 如果输入是形如(A×1×B×1×C×1×D)，那么输出形状就为： (A×B×C×D)
当给定dim时，那么挤压操作只在给定维度上。例如，输入形状为: (A×1×B), squeeze(input, 0) 将会保持张量不变，只有用 squeeze(input, 1)，形状会变成 (A×B)。
参数:
input (Tensor) – 输入张量
dim (int, optional) – 如果给定，则input只会在给定维度挤压
out (Tensor, optional) – 输出张量
案例：
import torch print("*" * 50) m = torch.zeros(2, 1, 2, 1, 2) print(m.size()) # torch.Size([2, 1, 2, 1, 2]) n = torch.squeeze(m) print(n.size()) # torch.Size([2, 2, 2]) n = torch.squeeze(m, 0) # 当给定dim时，那么挤压操作只在给定维度上 print(n.size()) # torch.Size([2, 1, 2, 1, 2]) n = torch.squeeze(m, 1) print(n.size()) # torch.Size([2, 2, 1, 2]) n = torch.squeeze(m, 2) print(n.size()) # torch.Size([2, 1, 2, 1, 2]) n = torch.squeeze(m, 3) print(n.size()) # torch.Size([2, 1, 2, 2])
控制台输出：
5.cat()函数
torch.cat(inputs, dimension=0) → Tensor
cat是concatnate的意思：拼接，联系在一起。
参数:
- inputs (sequence of Tensors) – 可以是任意相同Tensor 类型的python 序列
- dimension (int, optional) – 沿着此维连接张量序列
注意：输入数据必须是序列，序列中数据是任意相同的shape的同类型tensor
按维数0拼接（竖着拼）
C = torch.cat( (A,B),0 )
按维数1拼接（横着拼）
C = torch.cat( (A,B),1 )
案例：
import torch A=torch.ones(2,3) #2x3的张量（矩阵） print("A: ",A," A.shape: ",A.shape," ") B=2*torch.ones(4,3) #4x3的张量（矩阵） print("B: ",B," B.shape: ",B.shape," ") C=torch.cat((A,B),0) #按维数0（行）拼接 print("C: ",C," C.shape: ",C.shape," ")
控制台输出：
D:softwaretoolsanacondapython.exe D:/pycharmprojects/hoteltest01/hoteltest01/testpy/test16.py A: tensor([[1., 1., 1.], [1., 1., 1.]]) A.shape: torch.Size([2, 3]) B: tensor([[2., 2., 2.], [2., 2., 2.], [2., 2., 2.], [2., 2., 2.]]) B.shape: torch.Size([4, 3]) C: tensor([[1., 1., 1.], [1., 1., 1.], [2., 2., 2.], [2., 2., 2.], [2., 2., 2.], [2., 2., 2.]]) C.shape: torch.Size([6, 3]) Process finished with exit code 0
6.permute()函数
torch.Tensor.permute (Python method, in torch.Tensor)
作用：将tensor的维度换位。
permute是更灵活的transpose，可以灵活的对原数据的维度进行调换，而数据本身不变。
import torch x = torch.randn(2,3,4) print(x.size()) x_p = x.permute(1,0,2) # 将原来第1维变为0维，同理，0→1,2→2 print(x_p.size()) print(x_p.size())
控制台输出：
参考文献：
https://www.jianshu.com/p/b23367ec9097
https://blog.csdn.net/Jane_JXR/article/details/98341092
https://zhuanlan.zhihu.com/p/86763381
https://www.pytorchtutorial.com/docs/ （pytorch 中文官方文档）