有多种方法可以重塑 PyTorch 张量。您可以将这些方法应用于任何维度的张量。
让我们从一个二维2 x 3张量开始：
x = torch.Tensor(2, 3)
print(x.shape)
# torch.Size([2, 3])
为了给这个问题增加一些鲁棒性，让我们2 x 3通过在前面添加一个新维度和在中间添加另一个维度来重塑张量，从而产生一个1 x 2 x 1 x 3张量。
方法1：添加维度None
使用(aka ) 的NumPy 样式插入Nonenp.newaxis在您想要的任何位置添加尺寸。见这里。
print(x.shape)
# torch.Size([2, 3])
y = x[None, :, None, :] # Add new dimensions at positions 0 and 2.
print(y.shape)
# torch.Size([1, 2, 1, 3])
方法2：解压
使用torch.Tensor.unsqueeze(i)（又名torch.unsqueeze(tensor, i)或就地版本unsqueeze_()）在第 i 个维度添加一个新维度。返回的张量与原始张量共享相同的数据。在本例中，我们可以使用unqueeze()两次来添加两个新维度。
print(x.shape)
# torch.Size([2, 3])
# Use unsqueeze twice.
y = x.unsqueeze(0) # Add new dimension at position 0
print(y.shape)
# torch.Size([1, 2, 3])
y = y.unsqueeze(2) # Add new dimension at position 2
print(y.shape)
# torch.Size([1, 2, 1, 3])
在 PyTorch 的实践中，为批处理添加额外的维度可能很重要，因此您可能经常会看到unsqueeze(0).
方法三：查看
用于torch.Tensor.view(*shape)指定所有尺寸。返回的张量与原始张量共享相同的数据。
print(x.shape)
# torch.Size([2, 3])
y = x.view(1, 2, 1, 3)
print(y.shape)
# torch.Size([1, 2, 1, 3])
方法四：重塑
使用torch.Tensor.reshape(*shape)(aka torch.reshape(tensor, shapetuple)) 指定所有维度。如果原始数据是连续的并且具有相同的步幅，则返回的张量将是输入的视图（共享相同的数据），否则将是副本。此函数类似于 NumPyreshape()函数，因为它允许您定义所有维度并可以返回视图或副本。
print(x.shape)
# torch.Size([2, 3])
y = x.reshape(1, 2, 1, 3)
print(y.shape)
# torch.Size([1, 2, 1, 3])
此外，作者在 O'Reilly 2019 年出版的Programming PyTorch for Deep Learning中写道：
view()现在您可能想知道和之间有什么区别reshape()。答案是view()作为原始张量的视图运行，因此如果基础数据发生更改，视图也会更改（反之亦然）。但是，view()如果所需的视图不连续，可能会引发错误；也就是说，如果从头开始创建所需形状的新张量，它不会共享相同的内存块。如果发生这种情况，您必须先致电tensor.contiguous()，然后才能使用view(). 但是，reshape()所有这些都是在幕后完成的，所以总的来说，我建议使用reshape()而不是view().
方法5：resize_
使用就地函数torch.Tensor.resize_(*sizes)修改原始张量。该文档指出：
警告。这是一种低级方法。存储被重新解释为 C 连续，忽略当前步幅（除非目标大小等于当前大小，在这种情况下张量保持不变）。在大多数情况下，您将改为使用view()，它检查连续性，或reshape()，它在需要时复制数据。要使用自定义步幅就地更改大小，请参阅set_()。
print(x.shape)
# torch.Size([2, 3])
x.resize_(1, 2, 1, 3)
print(x.shape)
# torch.Size([1, 2, 1, 3])
我的观察
如果您只想添加一个维度（例如，为批次添加第 0 个维度），请使用unsqueeze(0). 如果您想完全改变维度，请使用reshape().
也可以看看：
pytorch中的reshape和view有什么区别？
view() 和 unsqueeze() 有什么区别？
在 PyTorch 0.4 中，是否建议在可能的情况下reshape使用view？