tensor.permute() 和 torch.transpose()

参考来源：
CSDN：pytorch中torch.transpose() 与 torch.tensor.permute() 的区别
CSDN：pytorch —- tensor.permute() 和 torch.transpose()
博客园：PyTorch 两大转置函数 transpose() 和 permute()

1. tensor.permute(dim1, dim2, dim3, …)

permute 可以对任意高维矩阵进行转置。但只有 tensor.permute() 这个调用方式：

x = torch.rand(2,3,4)
print("x.shape:", x.shape)
x = x.permute(2,1,0)
print("x.shape:", x.shape)
"""
输出：
x.shape: torch.Size([2, 3, 4])
x.shape: torch.Size([4, 3, 2])
[Finished in 1.0s]
"""

例 2：

t.rand(2,3,4,5).permute(3,2,0,1).shape
Out[669]: torch.Size([5, 4, 2, 3])

总结
传入 permute 方法的参数是维度， 未进行变换前的 dim 是 [0, 1, 2] 的方式， 转换后表示将第 0 维度和第 2 维度调换。

2. torch.transpose(input, dim0, dim1, out=None)

函数返回输入矩阵 input 的转置。交换维度 dim0 和 dim1 。
参数：

• input (Tensor)：输入张量，必填。
• dim0 (int)：转置的第一维，默认 0，可选。
• dim1 (int)：转置的第二维，默认 1，可选。

transpose 只能操作 2D 矩阵的转置(就是每次 transpose 只能在两个维度之间转换，其他维度保持不变)。
有两种调用方式：tensor.transpose() 和 torch.transpose(tensor, dim1, dim2)
连续使用 transpose 也可实现 permute 的效果

torch.transpose(Tensor, 1, 0)
t.rand(2,3,4,5).transpose(3,0).transpose(2,1).transpose(3,2).shape
Out[672]: torch.Size([5, 4, 2, 3])
t.rand(2,3,4,5).transpose(1,0).transpose(2,1).transpose(3,1).shape
Out[670]: torch.Size([3, 5, 2, 4])

3. tensor.permute() 和 torch.transpose()

相同点：交换张量的维度
不同点：主要区别是 transpose 只能在两个维度之间转换， permute 可以一下转换好几个维度。

• 参数列表：**torch.transpose(input, dim0, dim1, out=None)** 只能传入两个维度参数，tensor 在这两个维度之间交换。
• 参数列表：**torch.tensor.permute(dims)** 要求传入所有维度，tensor 按维度排列顺序进行交换。
• 内存：**torch.transpose(dim1,dim2)** 得到的张量与原张量共享内存，而 **torch.tensor.permute(dims)** 不具备这个性质

总结：permute 相比 transpose 更加灵活，transpose 具有共享内存机制。

 a=torch.tensor([[[1,2,3],[4,5,6]]])
b=torch.tensor([[[1,2,3],[4,5,6]]])
c=a.transpose(2,1)
c=c.transpose(2,1)
d=b.permute(0,2,1)
d=d.permute(0,1,2)
print(c)
print(a)
print(d)
print(b)
"""
#输出结果为：
tensor([[[1, 2, 3],
         [4, 5, 6]]])
tensor([[[1, 2, 3],
         [4, 5, 6]]])
tensor([[[1, 4],
         [2, 5],
         [3, 6]]])
tensor([[[1, 2, 3],
         [4, 5, 6]]])
"""