1、常用的api
（1）View/reshape 可以将一个shape转变成任意一个shape
（2）Squeeze/unsqueeze 挤压与增加维度
（3）Transpose/t/permute （矩阵的传置） 单次的交换操作和多次的交换操作
（4）Expand/repeat 维度的扩展 我们可以把维度小的变成高维度的
2、view 和reshape
这两个基本是一摸一样的，区别在于pytorch0.3中默认的是view函数；
a=torch.rand(4,1,28,28) #使用rand()函数随机均匀的初始化生成一个四维的tensor
#28,28 表示图片的长和宽，1表示一个通道，表示是灰度图片，4表示一共有四张图片
print(a.shape) #输出结果 torch.Size([4,1,28,28])
print(a.view(4,28*28)) #把所有信息合并在一起也就是[4,784],像图片这种二维的信息必须要打平
print(a.view(4,28*28).shape) # 输出结果 torch.Size([4,784)
print(a.view(4*28,28).shape) #输出结果 torch.Size([112，28)
#把原来数据的前三个通道合并在一起4*1*28
print(a.view(4*1,28,28).shape) # 输出结果 torch.Size([4,28，28)
b=a.view(4,784) # 数据的存储/维度顺序非常重要
print(b.view(4,28,28,1)) #输出的数据就会出问题，与原来的数据不一致
3、Squeeze/unsqueeze 挤压（减少维度）与增加维度
a=torch.rand(4,1,28,28) #使用rand()函数随机均匀的初始化生成一个四维的tensor
#28,28 表示图片的长和宽，1表示一个通道，表示是灰度图片，4表示一共有四张图片
print(a.shape) #输出结果 torch.Size([4,1,28,28])
print(a.unsqueeze(0).shape)#表示再原来的维度前面加入一个维度，没有增加数据，再哪一个索引前面插入
#输出结果 torch.Size([1,4,1,28,28])
print(a.unsqueeze(-1).shape) #表示在-1维度后面插入
#输出结果 torch.Size([4,1,28,28,1])
print(a.unsqueeze(4).shape) #表示在4维度前面插入
#输出结果 torch.Size([1,4,1,28,28])
print(a.unsqueeze(-4).shape) #表示在-4维度后面插入
#输出结果 torch.Size([4,1,1,28,28])
print(a.unsqueeze(-5).shape) #输出结果 torch.Size([1,4,1,28,28])
print(a.unsqueeze(5).shape) #输出结果报错
a=torch.rand(4,1,28,28) #使用rand()函数随机均匀的初始化生成一个四维的tensor
#28,28 表示图片的长和宽，1表示一个通道，表示是灰度图片，4表示一共有四张图片
print(a.shape) #输出结果 torch.Size([4,1,28,28])
b=torch.rand(32)
f=torch.rand(4,32,14,14)
b=b.unsqueeze(1).unsqueeze(2).unsqueeze(0)
print(b.shape) #输出结果torch.Size（[1,32,1,1]）
print(b.squeeze().shape)#表示把可以删减的维度全部删剪掉，是1就可以被挤压掉
#输出结果torch.Size([32])
print(b.squeeze(0).shape) #表示把第0个维度的挤压掉
#输出结果torch.Size([32,1,1])
print(b.squeeze(-1).shape)
#输出结果torch.Size([1,32,1])
print(b.squeeze(1).shape) #表示第一维的时数据32 ，不能被挤压，所以返回不变
#输出结果torch.Size([1,32,1,1])
print(b.squeeze(-4).shape) #输出结果torch.Size([32,1,1])4、Transpose/t/permute
b.t() 矩阵的转置
print(a.shape) #输出结果[4,3,32,32]
a1=a.transpose(1,3).view(4,3*32*32).view(4,3,32,32) #数据的维度交换
a1=a.transpose(1,3).contiguous().view(4,3*32*32).view(4,3,32,32) #这种方式是错的
a2=a.transpose(1,3).contiguous().view(4,3*32*32).view(4,3,32,32).transpose(1,3) #正确表示方法
print(a1.shape) #输出结果[4,3,32,32]
print(a2.shape) #输出结果[4,3,32,32]
#验证
torch.all(troch.eq(a,a1)) #结果0 错误，数据不一致
torch.all(troch.eq(a,a2)) #结果1 正确 数据一致a=torch.rand(4,1,28,28) #使用rand()函数随机均匀的初始化生成一个四维的tensor
print(a.transpose(1,3).shape) #结果[4,28,28,1]
b=torch.rand(4,1,28,32)
print(b.transpose(1,3).shape) #结果[4,32,28,1]
print(b.transpose(1,3).transpose(1,2).shape) #结果[4,28,32,1]
#更简单的方法
print(b.permute(0,2,3,1)) #结果[4,28,32,1]
5、Expand/repeat
Expand：增加了维度，并没有增加数据，不会主动的复制数据，推荐使用
repeat：是实实在在增加了数据，
a=torch.rand(4,32,14,14)
print(b.shape) #输出结果torch.Size([1,32,1,1])
print(b.expend(4,32,14,14).shape) #直接扩展，原来的dim和要扩展之后的dim必须一致
#输出结果torch.Size([4,32,14,14])
print(b.expend(-1,32,-1,-1).shape) #-1表示保持原来的维度不变
#输出结果torch.Size([1,32,1,1])
print(b.expend(-1,32,-1,-4).shape) #这个是没有意义的 bug
#输出结果torch.Size([1,32,1,-4])print(b.shape) #输出结果torch.Size([1,32,1,1])
print(b.repeat(4,32,1,1).shape) #1*4 32*32 1*1 1*1
#输出结果torch.Size([4,1024,1,1])
print(b.repeat(4,1,1,1).shape) #输出结果torch.Size([4,32,1,1])
print(b.repeat(4,1,32,32).shape) #输出结果torch.Size([4,32,32,32])