Pytorch: permute()函数，contiguous()，view（）

permute(dims)将tensor的维度换位。参数：参数是一系列的整数，代表原来张量的维度。比如三维就有0，1，2这些dimension。例：import torchimport numpy as npa=np.array([[[1,2,3],[4,5,6]]])unpermuted=torch.tensor(a)print(unpermuted.size()) # ——> torch...

1 先看看官方中英文doc： torch.Tensor.permute (Python method, in torch.Tensor)1.1 permute(dims)将tensor的维度换位。参数： - __dims__ (int ..*) - 换位顺序例：>>> x = torch.randn(2, 3, 5) >>> x.size() torch...

permute函数的作用是对tensor进行转置。 import torch import torch.nn as nn x = torch.randn(1, 2, 3, 4) print(x.size()) print(x.permute(2, 1, 0, 3).size()) 随机生成一个1X2X3X4的四维向量，permute函数的参数表示的是转置后的向量位置。比如原向量中(1, 2, 3, 4)，1的下标是0，2的下标是1，3的下标是2，4的下标是3；在x.permute(2,.

代码a.permute(2,0,1)把最初的2，3，4维度，给调整成了4,2,3维度，并且保持维度内的数值关系不变。那么代码a.permute(1,0)就相当于a.T。他的功能就是把一个多维张量的维度进行调换。仔细观察数值位置的变化，就会理解了。permute的中文含义是：置换。这个就已经解释了一半了。

permute()，这个函数是做维度交换的torch.view()方法对张量改变“形状”其实并没有改变张量在内存中真正的形状。简单地说，view方法没有拷贝新的张量，没有开辟新内存，与原张量共享内存，只是重新定义了访问张量的规则，使得取出的张量按照我们希望的形状展现。torch.contiguous()方法首先，然后将地址按照形状改变后的张量的语义进行排列。就是说contiguous()方法改变了多维数组在内存中的存储顺序，以便配合view方法使用。

Pytorch中tensor.view().permute().contiguous()函数理解

在pytorch中只有很少几个操作是**不改变tensor内容本身的**，大多数操作**不进行数据拷贝和数据的改变，变的是原数据**。例如：narrow()、view()、expand()和transpose()等。

原始tensor import torch a = torch.Tensor([[[1,2,3],[4,5,6],[7,8,9]]]) print(a) print(a.size()) 输出： tensor([[[1., 2., 3.], [4., 5., 6.], [7., 8., 9.]]]) torch.Size([1, 3, 3]) 1.view() 改变tensor的形状 view() 的具体理解请见文章：pytorch中x = x.view(x.size(0), -1) 的理解 b

contiguous() 有些tensor并不是占用一整块内存，而是由不同的数据块组成。 contiguous()函数的作用：把tensor变成在内存中连续分布的形式。 来自链接一 contiguous一般与transpose，permute，view搭配使用：使用transpose或permute进行维度变换后，调用contiguous，然后方可使用view对维度进行变形（如：tensor_var.contiguous().view() ），示例如下： x = torch.Tensor(

当tensor是连续的，torch.reshape() 和 torch.view()这两个函数的处理过程也是相同的，即两者均不会开辟新的内存空间，也不会产生数据的副本，只是改变了tensor的头信息区，如stride, 并没有修改这个tensor的存储区 Storage。当处理的tensor是非连续性的(contiguous) view()：在调用view()函数之前需要先调用 contiguous()方法，即x.contiguous().view()。

transpose() 和 permute() 都是返回转置后矩阵，在pytorch中转置用的函数就只有这两个 ，这两个函数都是交换维度的操作只能操作2D矩阵的转置, transpose每次只能交换两个维度， 这是相比于permute的一个不同点，每次输入两个index，实现转置,，参数顺序无所谓。permute可以进行多维度转置, permute每次可以交换多个维度，且必须传入所有维度数，参数顺序表示交换结果是原值的哪个维。

在 pytorch 中，张量是连续的是指张量存储在内存的方式————其数据在内存中的排列是按行顺序排列的，没有跳过任何数据间隙。函数是 Python 中的一个内置函数，用于将多个可迭代对象打包成一个元组的迭代器。contiguous() 可以重新开辟一块内存重新排列数据，使得张量按顺序存储。不要求张量必须是连续的，如果张量是非连续的，它会尝试返回一个新的内存拷贝。两个都是用于改变张量唯独顺序的操作，都只是改变张量的视图。都用于改变张量的形状，有着不同的特点。它要求张量必须是连续的，否者会报错。

1. view函数 在 pytorchpytorchpytorch 中 view(∗args)view(^*args)view(∗args) 函数的作用为重构张量的维度，即改变矩阵维度，view(∗args)view(^*args)view(∗args) 函数是对 tensortensortensor 操作的，若非 tensortensortensor 类型，可使用 data=torch.tensor(data)data = torch.tensor(data)data=torch.tensor(data

pytorch---进阶篇（函数使用技巧/注意事项）

索引操作与Numpy非常类似，主要包含下标索引、表达式索引、使用torch.where()与Tensor.clamp()的选择性索引 变形操作是指改变Tensor维度，以适应在深度学习的计算中，数据维度经常变换的需求，是一种十分重要的操作。在PyTorch中主要有4类不同的变形方法，如下图： view()和reshape()函数 view()、resize()和reshape()函数可以在不改变Tensor数据的前提下任意改变Tensor的形状，必须保证调整前后的元素总数相同，并且调整前后内存共享，

摘要：本文介绍了PyTorch中常用的张量维度操作函数。reshape()可在保持数据不变的情况下改变张量形状；squeeze()和unsqueeze()分别用于删除和添加维度1的维度；transpose()和permute()用于交换维度顺序，后者支持多维度交换；view()可修改形状但要求内存连续，常与contiguous()配合使用。这些操作在保持数据完整性的同时，为张量维度变换提供了灵活的处理方式。

PyTorch中contiguous、view、Sequential、permute函数的用法。

pytorch | torch.contiguous()方法