本文共 851 字，大约阅读时间需要 2 分钟。

我们认为数组、矩阵、张量都是有形状的，形状可以用像 (2×2×3) 这样的标签来描述。按照从左到右的顺序，第0维、第1维、第2维等依次代表不同的维度。在PyTorch中，我们可以通过切片操作来观察不同维度下的数据。例如，a[1] 可以提取第0维视角下的第1个元素组，而 a[:,:,0] 则可以查看第2维视角下的第0个元素组。

此外，PyTorch 提供了 .unsqueeze 方法，可以在指定的任意维度（如 0、1、2）中插入一个新的空隙。例如，b = a.unsqueeze(2) 会在第2维中插入一个新维度，结果的张量尺寸变为 (2,2,1,3)。这种操作类似于某些编程语言（如 Python 和 MATLAB）中的广播机制，但在这里扩展的是张量的维度结构。

让我们通过一个具体的例子来理解这一点。假设我们有一个 (2×3) 的张量 a，在第0维视角下，它包含两组数据：[1, 2, 3] 和 [4, 5, 6]。当我们使用 .unsqueeze(1) 对其进行操作时，结果是一个 (2×1×3) 的张量，这相当于在第1维中添加了一层包装，形成了一个两层的结构。从第0维视角来看，每个原来的元素组都被包装在一个单独的子张量中，形成 [[[1,2,3]], [[4,5,6]]]。

同样地，当我们使用 .unsqueeze(2) 时，原来的每个元素都会被进一步包装，形成一个 (2×3×1) 的张量。从第2维视角来看，每个原来的元素都变成了一个独立的子张量，结果为 [[[1],[2],[3]], [[4],[5],[6]]]。

这种“套箱”的思想可以帮助我们更直观地理解张量的维度结构。通过不断地在各个维度中插入空隙，我们可以一步步扩展张量的形状。这种操作不仅有助于数据的重新排列，也为后续的高维操作提供了基础。

通过上述例子可以看出，PyTorch 的张量操作通过在各维度中插入空隙的方式，实现了对数据结构的灵活控制。这类似于某些编程语言中的广播机制，但其核心目标是对张量的高维操作进行支持。

转载地址：http://bbafk.baihongyu.com/