在深度学习中，对 Tensor 的维度和形状变换是日常操作。本文简单介绍 PyTorch 的 Tensor 自带的 API（view, reshape, unsqueeze, squeeze）以及配合 Einops 库进行维度重排、维度聚合和重复操作（rearrange, reduce, repeat）。
1. PyTorch Tensor 操作
1.1. view - 改变形状
view 主要用于改变张量的形状，但要求新形状必须与原始形状元素数量一致。
import torch
# 创建一个 2x4 的张量
x = torch.randn(2, 4)
# 改变形状为 4x2
x_viewed = x.view(4, 2)
print(x_viewed.shape) # torch.Size([4, 2])1.2. reshape - 灵活的形状变化
reshape 与 view 类似，但它更灵活，如果有必要会生成新的内存。
x_reshaped = x.reshape(4, 2)
print(x_reshaped.shape) # torch.Size([4, 2])1.3. unsqueeze - 添加一个维度
unsqueeze 用于在指定位置上添加一个维度。
x_unsq = x.unsqueeze(1) # 在维度1处加一个维度
print(x_unsq.shape) # torch.Size([2, 1, 4])1.4. squeeze - 去除多余的维度
squeeze 用于移除尺寸为1的多余维度。
x_squeezed = x_unsq.squeeze(1) # 去掉维度1的单一维度
print(x_squeezed.shape) # torch.Size([2, 4])2. Einops 的操作
2.1. rearrange - 重排维度
rearrange 允许根据给定的维度顺序重排张量。
from einops import rearrange
# 假设我们有一个形状为 (batch, height, width, channels) 的张量
x = torch.randn(10, 64, 64, 3)
# 将其转换为PyTorch的标准格式 (batch, channels, height, width)
x_rearranged = rearrange(x, 'b h w c -> b c h w')
print(x_rearranged.shape) # torch.Size([10, 3, 64, 64])
# 将batch和channel合并
x_combined = rearrange(x_rearranged, 'b c h w -> (b c) h w')
# 重新分开
x_cut = rearrange(x_combined, '(b c) h w -> b c h w')2.2. reduce - 跨维度聚合
reduce 可用于在指定维度上进行聚合操作，比如平均、求和等。
from einops import reduce
# 假设我们有一个 5D 张量，形状为 (batch, time, height, width, channels)
x = torch.randn(4, 8, 32, 32, 3)
# 对 time 维度进行平均
x_reduced = reduce(x, 'b t h w c -> b h w c', 'mean')
print(x_reduced.shape) # torch.Size([4, 32, 32, 3])2.3. repeat - 沿某维度重复
repeat 用于沿某个维度按照指定倍数复制元素。
from einops import repeat
# 假设我们有一个形状为 (batch, height, width) 的张量
x = torch.randn(4, 32, 32)
# 沿着 height 维度重复 2 次
x_repeated = repeat(x, 'b h w -> b (h 2) w')
print(x_repeated.shape) # torch.Size([4, 64, 32])
