2 pytorch permute的使用. Permute函数功能还是比较简单的，下面主要介绍几个细节点： 2.1 transpose与permute的异同. Tensor.permute(a,b,c,d.)：permute函数可以对任意高维矩阵进行转置，但没有 torch.permute 这个调用方式， 只能 Tensor.permute：. An inversion of a permutation σ is a pair (i,j) of positions where the entries of a permutation are in the opposite order: i σj. So a descent is just an inversion at two adjacent positions. For example, the permutation σ = 23154 has three inversions: (1,3), (2,3), (4,5), for the pairs of entries (2,1), (3,1), (5,4). Sometimes an inversion is defined as the pair of values.
= 2 Calculate our permutation value n P r for n = 5 and r = 3: 5 P 3 = 120: 2: 5 P 3 = 60. In Microsoft Excel or Google Sheets, you write this function as =PERMUT(5,3) View the Permutations and Combinations Flashcards Watch the Permutations and Combinations Video.
1 先看看官方中英文doc：
1.1 permute(dims)
将tensor的维度换位。
参数： - __dims__ (int ..*) - 换位顺序
例：
1.2 permute(*dims) → Tensor
Permute the dimensions of this tensor.
Parameters： *dims (int...) – The desired ordering of dimensions
Example：
2 pytorch permute的使用
permute函数功能还是比较简单的，下面主要介绍几个细节点：
2.1 transpose与permute的异同
Tensor.permute(a,b,c,d, ...)：permute函数可以对任意高维矩阵进行转置，但没有 torch.permute() 这个调用方式， 只能 Tensor.permute()：
Permute 2 2 2 5
torch.transpose(Tensor, a,b)：transpose只能操作2D矩阵的转置，有两种调用方式；
另：连续使用transpose也可实现permute的效果：
从以上操作中可知，permute相当于可以同时操作于tensor的若干维度，transpose只能同时作用于tensor的两个维度；
2.2 permute函数与contiguous、view函数之关联
contiguous：view只能作用在contiguous的variable上，如果在view之前调用了transpose、permute等，就需要调用contiguous()来返回一个contiguous copy；
一种可能的解释是：有些tensor并不是占用一整块内存，而是由不同的数据块组成，而tensor的view()操作依赖于内存是整块的，这时只需要执行contiguous()这个函数，把tensor变成在内存中连续分布的形式；
判断ternsor是否为contiguous，可以调用torch.Tensor.is_contiguous()函数:
另：在pytorch的最新版本0.4版本中，增加了torch.reshape()，与 numpy.reshape() 的功能类似，大致相当于 tensor.contiguous().view()，这样就省去了对tensor做view()变换前，调用contiguous()的麻烦；
3 permute与view函数功能demo
另：连续使用transpose也可实现permute的效果：
从以上操作中可知，permute相当于可以同时操作于tensor的若干维度，transpose只能同时作用于tensor的两个维度；
2.2 permute函数与contiguous、view函数之关联
contiguous：view只能作用在contiguous的variable上，如果在view之前调用了transpose、permute等，就需要调用contiguous()来返回一个contiguous copy；
一种可能的解释是：有些tensor并不是占用一整块内存，而是由不同的数据块组成，而tensor的view()操作依赖于内存是整块的，这时只需要执行contiguous()这个函数，把tensor变成在内存中连续分布的形式；
判断ternsor是否为contiguous，可以调用torch.Tensor.is_contiguous()函数:
另：在pytorch的最新版本0.4版本中，增加了torch.reshape()，与 numpy.reshape() 的功能类似，大致相当于 tensor.contiguous().view()，这样就省去了对tensor做view()变换前，调用contiguous()的麻烦；
3 permute与view函数功能demo
利用函数 permute(2,0,1) 可以把 Tensor([[[1,2,3],[4,5,6]]]) 转换成：
2 Permute 2
如果使用view(1,3,2) 可以得到：
5 参考
