六、矩阵转置操作

1. a.t() 仅适用于二维情况

2. a.transpoae(d1,d2) 维度两两交换,数据信息由[d0,d1,d2,d3]–>[d0,d2,d1,d3]

   注意转置了以后数据被打乱，变成行与行之间不连续，需要用contiguous函数将其变成连续的。
   即执行如下操作：

   a.transpose(1,2).contiguoous()
   

   再将数据重现，view

   a.shape  -->torch.size([5,2,14,32])
   a1=a.transpose(1,2).contiguous().view(5,2*14*32).view(5,14,2,32)
   注意:最后这个view(5,14,2,32) 参数数据一定要与变换后的维度相符合，否则会造成数据污染检测交换后数据是否还保持一致：
   torch.all(torch.eq(a,a1))
   若一致，返回1，证明交换维度后数据并没有遭受到污染，否则，返回结果为0
   

3. permute 可以同时进行多个维度的交换

   permute(d0,d2,d3,d1) 数据信息由[d0,d1,d2,d3] -->[d0,d2,d3,d1]

   a.shape = [4,24,12,3]
   a.permute(0,2,3,1).contiguous().view(4,24*12*3).view(4,12,3,24)
   

七、Broatcast 维度扩张（自动根据需要插入维度，并复制数据）

假设图片数据的维度为：[d0,d1,d2,d3] 一般认为最右侧为小维度，左侧为大维度

什么情况下使用broadcast：

（从最后（最小）一个维度开始匹配）

维度是1 -->扩展成相同shape

维度为0 -->插入一个维度，再扩张成相同shape

eg.1
A: [12,32,6,6]
B: [1,32,1,1]  -->扩张[12,32,6,6]-->再执行A+Beg.2
A: [12,32,6,6]
B: [6,6]  -->插入维度 [1,1,6,6] -->扩张维度 [12,32,6,6] -->再执行 A+Beg.3
A: [12,32,6,6]
B: [3,32,6,6]    不符合操作要求，不能直接用broadcast
需要进行手动操作：把B[0]: [32,6,6]取出来，然后使用broadcast

八、Tensor之间的拼接与拆分

1.cat

要求：在非cat的维度上，shape必须一样。在cat的维度上，shape可以不一致

a = torch.rand(2,14,5)
b = torch.rand(5,14,5)
torch.cat([a,b],dim = n) 在第n个维度上进行合并
torch.cat([a,b],dim = 0).size -->torch.size([7,14,5])

2.stack

新插入一个维度，把之前某个维度的数据分成几份

除了新插入的维度，其他维度的shape必须保持一致

a.shape -->[4,3,32,32]
torch.stack([a],dim = 2).shape -->torch.size([4,3,2,16,32]) 相当于把照片数据的行数分成了两部分a = torch.rand(32,8)
b = torch.rand(32,8)
torch.stack([a,b],dim = 0).shape  --> torch.size([2,32,8]) 相当于有两个班级。每个班级32个人，每个人有8门成绩，新创建的第0个维度，表示班级

3.拆分：split 根据长度来拆分

split(len,dim=n)   
eg.   c.shape -->torch.size([2,32,14]) a,b = c.split(1,dim=0)a.shape --> torch.size([1,32,14])b.shape --> torch.size([1,32,14])
不均匀长度拆分
split([len1,len2,len3],dim=n)
eg.   c.shape -->torch.size([5,14,2])a,b,d = c.split([3,1,1],dim=0)a.shape --> torch.size([3,14,2])b.shape --> torch.size([1,14,2])d.shape --> torch.size([1,14,2])

4.拆分：Chunk 根据数量来进行拆分

chunk(num,dim)  该维度上的shape按数量进行均分