1. view/reshape

view(*shape) → Tensor
作用：类似于reshape，将tensor转换为指定的shape，原始的data不改变。返回的tensor与原始的tensor共享存储区。返回的tensor的size和stride必须与原始的tensor兼容。每个新的tensor的维度必须是原始维度的子空间，或满足以下连续条件：

式1 张量连续性条件
否则需要先使用contiguous()方法将原始tensor转换为满足连续条件的tensor，然后就可以使用view方法进行shape变换了。或者直接使用reshape方法进行维度变换，但这种方法变换后的tensor就不是与原始tensor共享内存了，而是被重新开辟了一个空间。

torch.reshape(input, shape) → Tensor
与view方法类似，将输入tensor转换为新的shape格式。
但是reshape方法更强大，可以认为a.reshape = a.view() + a.contiguous().view()。
即：在满足tensor连续性条件时，a.reshape返回的结果与a.view()相同，否则返回的结果与a.contiguous().view()相同。

view/reshape的问题是会丢失维度信息，比如变化后的数据[4,784],而通过它是推不出原来的shape是[4,1,28*28]的，必须额外保存维度信息。

参考：【pytorch】view和reshape底层原理

2. squeeze/unsqueeze

unsqueeze增加维度，索引>=0时在索引之前插入，索引<0时，在索引之后插入
unsqueeze只改变维度不改变数据本身

实际应用的例子

squeeze减少维度，减少掉维度为1的维度，不输入参数时，它会减少掉所有能减掉的维度

3. expand 扩展

用于将张量中单数维的数据扩展到指定的size

只有维度是1的才可以扩展，当expand参数为-1时，保持原来的维度不扩展，负数其他值无意思。且扩展的Tensor不会分配新的内存，只是原来的基础上创建新的视图并返回，返回的张量内存是不连续的。类似于numpy中的broadcast_to函数的作用。如果希望张量内存连续，可以调用contiguous函数。

4. repeat

和expand()作用类似，均是将tensor扩展到新的形状
前文提及expand仅能作用于单数维，那对于非单数维的拓展，那就需要借助于repeat函数了。
tensor.repeat(sizes)参数sizes指定了原始张量在各维度上复制的次数。整个原始张量作为一个整体进行复制，这与Numpy中的repeat函数截然不同，而更接近于tile函数的效果。
与expand不同，repeat函数会真正的复制数据并存放于内存中。repeat开辟了新的内存空间，torch.repeat返回的张量在内存中是连续的

5 .t转置

用于二维及以下的tensor转置

6. transpose

transpose方法的作用是交换矩阵的两个维度，transpose(dim0, dim1) → Tensor，transpose可能导致数据不连续，可调用.contiguous使数据变的连续

7. permute

torch.permute(input, dims) → Tensor
按照dims给定的dimension排列顺序，返回Tensor
t只用于二维及以下的tensor转置，transpose能操作2D矩阵的转置，在多维矩阵可以进行二维的转置，permute可对任意高维矩阵进行转置