在PyTorch使用的过程中，维度转换一定少不了。而PyTorch中有多种维度形变的方法，我们该在什么场景下使用什么方法呢？

本小节我们使用的张量如下：

# 一维向量 t1 = torch.tensor((1, 2)) # 二维向量 t2 = torch.tensor([[1, 2, 3], [4, 5, 6]]) # 三维向量 t3 = torch.tensor([[[1, 2], [3, 4]],[[5, 6], [7, 8]]]) 

1 张量的维度与形状

张量为一组数的结构化表示。简单理解，向量就是一维数组，矩阵为二维数组，此外我们还可以定义更高维度的数组。张量的高维数组和Numpy中高维Array概念类似。

1.1 ndim查看张量维度

print(t1.ndim, t2.ndim, t3.ndim, sep = ', ') # 1, 2, 3 # t1为1维向量 # t2为2维矩阵 # t3为3维张量 

1.2 shape&size()查看向量的形状

print(t1.shape, t2.shape, t3.shape, sep = ', ') # torch.Size([2]), torch.Size([2, 3]), torch.Size([2, 2, 2])  print(t1.size(), t2.size(), t3.size(), sep = ', ') # torch.Size([2]), torch.Size([2, 3]), torch.Size([2, 2, 2]) 

t1向量torch.Size([2])的理解：向量的形状是1行2列。

t2矩阵torch.Size([2, 3])的理解：包含两个一维向量，每个一维向量的形状是1行3列。

t3矩阵torch.Size([2, 2, 2])的理解：包含两个二维矩阵，每个二维矩阵的形状是2行2列。

1.3 numel()查看张量中的元素个数

print(t1.numel(), t2.numel(), t3.numel(), sep = ', ') # 2, 6, 8 # t1向量中共有2个元素 # t2矩阵中共有6个元素 # t3张量中共有8个元素 

1.4 形状相同的数组可创建一个高维张量

import numpy as np a1 = np.array([[1, 2], [3, 4]]) a2 = np.array([[5, 6], [7, 8]]) t3 = torch.tensor([a1, a2]) print(t3) # tensor([[[1, 2], [3, 4]], [[5, 6], [7, 8]]]) 

2 张量的形变

2.1 flatten()将任意维度张量转为一维张量

t2.flatten() # tensor([1, 2, 3, 4, 5, 6])  t3.flatten() # tensor([1, 2, 3, 4, 5, 6, 7, 8]) 

2.2 reshape()任意变形

形变维度的乘积需要等于张量元素的个数。

# 将`t3`变成2×4的矩阵 t3.reshape(2, 4) #tensor([[1, 2, 3, 4],[5, 6, 7, 8]])  # 将`t3`变成1×4×2的矩阵 t3.reshape(1, 4, 2) # tensor([[[1, 2], [3, 4], [5, 6], [7, 8]]]) 

2.3 squeeze()&unsqueeze()

• squeeze()的作用是压缩张量，去掉维数为1位置的维度

# 将t3的维度变为2×1×4 t_214 = t3.reshape(2, 1, 4) print(t_214) # tensor([[[1, 2, 3, 4]], [[5, 6, 7, 8]]])  # 使用squeeze()将其变成2×4，去掉维度为1位置的维度 t_24 = t_214.squeeze(1) print(t_24) # tensor([[1, 2, 3, 4], [5, 6, 7, 8]]) 

• unsqueeze()的作用是解压张量，给指定位置加上维数为一的维度。

# 将2×4的维度再转换成2×1×4，在第二个维度上加一维 # 索引是从0开始的。参数0代表第一维，参数1代表第二维，以此类推 print（t_24.unsqueeze(1)） tensor([[[1, 2, 3, 4]], [[5, 6, 7, 8]]]) 

2.4 维度变化总结

一般我们最常使用的就是flatten()与reshape()。仔细思考的同学们肯定也可以发现，reshape()也可以实现flatten()的功能,reshape()所需的参数就是张量中的元素数。

print(t3.flatten()) # tensor([1, 2, 3, 4, 5, 6, 7, 8])  print(t3.reshape(t3.numel())) # tensor([1, 2, 3, 4, 5, 6, 7, 8]) 

3 特殊的零维张量

Tensor的零维张量只包含一个元素，可以理解为标量，只有大小，没有方向。

3.1 零维张量的属性

# 零维张量的创建只有一个数，不具备一维或多维的概念 t0 = torch.tensor(1)  # 因为它是标量，所以维度是0 print(t0.ndim) # 0  # 因为它是标量，所以也不具有形状 print(t0.shape) # torch.Size([])  # 它没有维度，但是有一个数 print(t0.numel()) # 1 

3.2 零维张量的转化

使用flatten()、reshape()可以将标量转为向量。

t0 = torch.tensor(1) print(t0.flatten()) # tensor([1])  t0 = torch.tensor(1) print(t0.reshape(1)) # tensor([1]) 

4 再谈什么是张量

Tensor是一个多维数组，它是标量、向量、矩阵的高维拓展。

Pytorch张量操作大全：

Pytorch使用教学1-Tensor的创建
Pytorch使用教学2-Tensor的维度
Pytorch使用教学3-特殊张量的创建与类型转化
Pytorch使用教学4-张量的索引
Pytorch使用教学5-视图view与reshape的区别
Pytorch使用教学6-张量的分割与合并
Pytorch使用教学7-张量的广播
Pytorch使用教学8-张量的科学运算
Pytorch使用教学9-张量的线性代数运算
Pytorch使用教学10-张量操作方法大总结

有关Pytorch建模相关的AI干货请扫码关注公众号「AI有温度」阅读获取