1、通過tensor.view方法可以調整tensor的形狀，但必須保證調整去前後元素總數一致。view不會修改自身的資料，返回新的tensor與原tensor共享記憶體，即更改其中的乙個，另乙個也會跟這改變。
2、實際中經常需要新增或減少某一維度，可用squeeze和unsqueeze這兩函式。
import torch as t
a = t.arange(0,6)
b = a.view(2,3) #調整tensor的形狀，不會修改自身資料
c = a.view(-1,3) #-1自動計算大小
'''a = tensor([0, 1, 2, 3, 4, 5])
b = tensor([[0, 1, 2],
[3, 4, 5]])
c = tensor([[0, 1, 2],
[3, 4, 5]])'''
b = b.unsqueeze(1) #在第一維（下標從0開始）上增加「1」
'''tensor([[[0, 1, 2]],
[[3, 4, 5]]])'''
c = c.unsqueeze(-2)
'''tensor([[[0, 1, 2]],
[[3, 4, 5]]])'''
d = b.view(1,1,1,2,3)
'''tensor([[[[[0, 1, 2],
[3, 4, 5]]]]])'''
d = d.squeeze(0) #壓縮第0維的「1」
'''tensor([[[0, 1, 2],
[3, 4, 5]]])'''
d = d.squeeze() #所有維度為「1」的壓縮
'''tensor([[0, 1, 2],
[3, 4, 5]])'''
3、resize是另一種可用調整size的方法，但與view不同，它可以修改tensor的尺寸。如果新尺寸超過原尺寸，會自動分配新的記憶體空間，而如果新尺寸小於原尺寸，則之前的資料依舊會被儲存。
b.resize_(1,3) #resize_調整size，新尺寸小於原尺寸，則之前的保留
'''tensor([[0, 1, 2]])'''
b.resize_(3,3) #resize_調整size，新尺寸大於原尺寸，會自動分配新的記憶體空間
'''tensor([[ 0, 1, 2],
[ 3, 4, 5],
[7526747973031060338, 7306812055932138085, 8389969046800051066]])'''
Tensor索引操作
tensor索引操作 tensor支援與numpy.ndarray類似的索引操作，語法上也類似 如無特殊說明，索引出來的結果與原tensor共享記憶體，即修改乙個，另乙個會跟著修改 import torch as t a t.randn 3,4 tensor 0.1986,0.1809,1.4662...
Tensor 逐元素操作
逐元素操作 這部分操作會對tensor的每乙個元素 point wise，又名element wise 進行操作，此類操作的輸入與輸出形狀一致。常用的操作如表3 4所示。表3 4 常見的逐元素操作 函式功能 abs sqrt div exp fmod log pow.絕對值 平方根 除法 指數 求餘...
Pytorch中的Tensor常用的型別轉換函式
pytorch中的tensor常用的型別轉換函式 inplace操作 1 資料型別轉換 在tensor後加.long int float double 等即可，也可以用.to 函式進行轉換，所有的tensor型別可參考 2 資料儲存位置轉換 cpu張量 gpu張量，使用data.cuda gpu張量...