pytorch中的tensor实现数据降维以及通道数转换

    首先导入torch包，利用torch.narrow()函数实现数据通道数转换，具体实例见下图

    利用torch.rand(5,6)随机生成一个5X6的二维矩阵，利用torch.narrow(x,dim,start，length)进行通道数转化，narrow()函数里第一个参数是你需要转换的原始数据，必须是tensor形式。第二个变量dim是你需要转换的具体维度。第三个变量为所选维度中的第几个通道为起点。第四个变量为保留的通道数个数。
 ![](https://img-blog.csdnimg.cn/2f263ce97c0743eb929a3be680eb9c4d.png)

上例中torch.narrow(x,0,2,3)，因x为5X6的二维tensor，由两个维度[0,1]，0表示第一维,横向，1表示第二维，纵向；且第一维通道数为5，第二维通道数为6。narrow函数中dim=0，选择第一维;start=2表示从第一维的第二个通道开始，python中均是以0开始计数，即0.6467这一行向量为起始通道；length=3表示通道数为3，即从0.6467这一行向量向下保留3个通道，如下图。

成功将第一维通道数减小至3。

如果在深度学习中图像处理中常遇到思维tensor，即x.shape=[9，3，256，256],3代表彩色图片RGB的三个通道数，如想实现降维操作，可将x的第二维的通道数3变为1，再使用x=torch.squeeze(x,dim=1)实现降维，降维后shape变为[9,256,256]