首先transpose是为了转换矩阵维度的，在numpy和pytorch中的作用都是一样的，分别举例说明：
arr = np.arange(24).reshape((2, 3, 4)) [[[ 0 1 2 3] [ 4 5 6 7] [ 8 9 10 11]] [[12 13 14 15] [16 17 18 19] [20 21 22 23]]]
目标：将矩阵 arr 的0维度和1维度进行交换
需要注意，transpose每次只能转换两个维度
np_transpose = arr.transpose((1, 0, 2)) np_transpose = np.transpose(arr, (1, 0, 2)) # 和上一行代码操作结果一致 print(np_transpose, np_transpose.shape) [[[ 0 1 2 3] [12 13 14 15]] [[ 4 5 6 7] [16 17 18 19]] [[ 8 9 10 11] [20 21 22 23]]] (3, 2, 4)torch.transpose()
使用方法和numpy有略微不同
tensor_arr = torch.tensor(arr)
torch_transpose = tensor_arr.transpose(0, 1)
torch_transpose = torch.transpose(tensor_arr, 0, 1) # 和上一行代码的结果一致
print(torch_transpose, torch_transpose.shape)
tensor([[[ 0, 1, 2, 3],
[12, 13, 14, 15]],
[[ 4, 5, 6, 7],
[16, 17, 18, 19]],
[[ 8, 9, 10, 11],
[20, 21, 22, 23]]], dtype=torch.int32) torch.Size([3, 2, 4])
这里通过索引讲解一下：
在原始的矩阵 arr 中，每个元素的索引号可以表示成
[
000
001
002
003
010
011
012
013
020
021
022
023
030
031
032
033
]
[
100
101
102
103
110
111
112
113
120
121
122
123
130
131
132
133
]
begin{bmatrix} 000 & 001 & 002 & 003 \ 010 & 011 & 012 & 013 \ 020 & 021 & 022 & 023 \ 030 & 031 & 032 & 033 end{bmatrix} begin{bmatrix} 100 & 101 & 102 & 103 \ 110 & 111 & 112 & 113 \ 120 & 121 & 122 & 123 \ 130 & 131 & 132 & 133 end{bmatrix}
⎣⎢⎢⎡000010020030001011021031002012022032003013023033⎦⎥⎥⎤⎣⎢⎢⎡100110120130101111121131102112122132103113123133⎦⎥⎥⎤
将维度为0和维度为1进行转换，那么新索引可以表示为
[
000
001
002
003
100
101
102
103
200
201
202
203
300
301
302
303
]
[
010
011
012
013
110
111
112
113
210
211
212
213
310
311
312
313
]
begin{bmatrix} 000 & 001 & 002 & 003 \ 100 & 101 & 102 & 103 \ 200 & 201 & 202 & 203 \ 300 & 301 & 302 & 303 end{bmatrix} begin{bmatrix} 010 & 011 & 012 & 013 \ 110 & 111 & 112 & 113 \ 210 & 211 & 212 & 213 \ 310 & 311 & 312 & 313 end{bmatrix}
⎣⎢⎢⎡000100200300001101201301002102202302003103203303⎦⎥⎥⎤⎣⎢⎢⎡010110210310011111211311012112212312013113213313⎦⎥⎥⎤
将对应索引进行拼接，就是最终的 （3， 2， 4）的shape了
所以transpose更深层次的意义是将 矩阵 中数值的索引顺序改变，例：原来[0, 2] 索引的数值 2 在 transpose 后的矩阵中通过[2, 0] 索引，在高维度 tensor 通过这种理解对 transpose 操作就会更为清晰，
