Pytorch——维度变换

view/reshape

lost dim information

view操作必须有物理意义：对四张图片合在一起，忽略上下左右位移信息、二维信息、通道信息。

>>> import torch
>>> a = torch.rand(4,1,28,28)
>>> a.view(4,28*28)
tensor([[0.9750, 0.1818, 0.7628,  ..., 0.6651, 0.3677, 0.8265],
        [0.0921, 0.1000, 0.8699,  ..., 0.2049, 0.3385, 0.5174],
        [0.6671, 0.3868, 0.1271,  ..., 0.8727, 0.7295, 0.7776],
        [0.4635, 0.9024, 0.6649,  ..., 0.4255, 0.0090, 0.0990]])

打印shape:

>>> import torch
>>> a = torch.rand(4,1,28,28)
>>> a.view(4,28*28).shape
torch.Size([4, 784])

多种理解方式：
①把前三个维度合并，即把所有照片、所有通道、所有行都放到第一维度，变成N。每一个
N都有一个一列一行的数据，一行的数据是28个像素点。只关注一行的数据。

>>> import torch
>>> a = torch.rand(4,1,28,28)
>>> a.view(4*28,28).shape
torch.Size([112, 28])

②把前边两个合并，即把所有照片、所有通道合并在一起，只关注数据

>>> import torch
>>> a = torch.rand(4,1,28,28)
>>> a.view(4*1,28,28).shape
torch.Size([4, 28, 28])

数据污染

b没有按照原来的维度信息存储，只有知道了a额外的维度信息，b才能恢复成a。

>>> import torch
>>> a = torch.rand(4,1,28,28)
>>> b = a.view(4,784)
>>> b.view(4,28,28,1)

squeeze/unsequzee

增加维度

道理很简单，就是通过这个函数增加一个维度，但是不会改变数据，只是增加了一个组别。比如a是四维的那么可以增加额范围就是[-5,5)
也就是[-a.dim()-1, a.dim()+1)

正数是在当前位置之前插入，负数是在当前位置之后插入。

对应的插入顺序如下：