一次置换(暗)将张量的维度换位。 　　

　　x=torch.randn(2，3，5) x.size()火炬大小(2，3，5) x置换(2，0，1)。尺寸()火炬。尺寸2 pytorch烫发的使用排列函数功能还是比较简单的，下面主要介绍几个细节点： 　　

　　2.1 transpose与permute的异同Tensor.permute(a,b,c,d, ...):置换函数可以对任意高维矩阵进行转置，但没有torch.permute()这个调用方式，只能张量置换(): 　　

　　torch.randn(2，3，4，5).permute(3，2，0，1).shapetorch.Size(5，4，2，3)http://www . Sina . com/:http://www . Sina . com/，有两种调用方式； 　　

　　torch.transpose(Tensor, a,b): 　　

　　torch.randn(2，3，4，5).转置(3,0)。转置(2,1)。transpose(3，2).shapetorch.Size(5，4，2，3) torch.randn(2，3，4，5).转置(1,0)。转置(2,1)。transpose(3，1).shapetorch.Size(3，5，2，4)从以上操作中可知，transpose只能操作2D矩阵的转置 　　

　　另：连续使用transpose也可实现permute的效果permute相当于可以同时操作于tensor的若干维度，transpose只能同时作用于tensor的两个维度；:观点只能作用在接触的的可变的上，如果在视角之前调用了转置、置换等，就需要调用连续()来返回一个连续拷贝； 　　

　　一种可能的解释是：有些张量并不是占用一整块内存，而是由不同的数据块组成，而张量的视图()操作依赖于内存是整块的，这时只需要执行连续()这个函数，把张量变成在内存中连续分布的形式； 　　

　　判断特恩索尔是否为连续的，可以调用火炬Tensor.is_contiguous()函数： 　　

　　导入torch x=torch.ones(10，10)x . is _ contiguous()# True x . transpose(0，1).is _ contiguous()# false x . transpose(0，1).连续()。is_contiguous() # True另：在框架的最新版本0.4版本中，增加了torch.reshape()，与numpy.reshape()的功能类似，大致相当于tensor.contiguous().视图(),这样就省去了对张量做视图()变换前，调用连续()的麻烦； 　　

　　2.2 permute函数与contiguous、view函数之关联 　　

　　导入火炬港numpy为npa=np.array(1，2，3，4，5，6)un permuted=torch。张量(a)打印(未置换。尺寸())#――火炬.大小(1，2，3)置换=未置换。置换(2，0，1)打印(置换。尺寸())#――火炬.Size(3，1，2)view_test=unpermuted.view(1，3，2)print(view _ test。尺寸())#――火炬.尺寸(1、3、2)利用函数置换(2,0,1)可以把张量(123456)转换成： 　　

　　张量(1,4,2,5,3,6) #打印（置换)如果使用视图(1,3,2)可以得到： 　　

　　张量(1，2，3，4，5，6) #打印(查看测试)