作用
张量的 .T 属性是 torch.transpose() 函数的简化版，核心作用是：对张量进行转置操作（行列互换），返回原张量的视图（view）而非副本（即修改转置后的张量会影响原张量）。
- 对二维张量（矩阵）：
.T等价于torch.transpose(tensor, 0, 1)，实现经典的矩阵转置（行变列、列变行）； - 对一维张量：
.T无效果（返回自身）； - 对高维张量：
.T等价于反转所有维度的顺序（如 3 维张量shape [a,b,c]转置后为[c,b,a]，但高维转置更推荐用transpose/permute）。
例子
import torch
# 示例1：二维张量（矩阵）转置（最常用场景）
x = torch.tensor([[1, 2, 3],
[4, 5, 6]]) # shape [2, 3]（2行3列）
x_T = x.T # 转置
print("原张量：\n", x)
print("转置后张量：\n", x_T)
# 输出：
# tensor([[1, 4],
# [2, 5],
# [3, 6]]) # shape [3, 2]（3行2列）
print("转置后形状：", x_T.shape) # torch.Size([3, 2])
# 示例2：一维张量转置（无效果）
y = torch.tensor([1, 2, 3]) # shape [3]
y_T = y.T
print("一维张量转置后：", y_T) # tensor([1, 2, 3])
print("形状不变：", y_T.shape) # torch.Size([3])
# 示例3：高维张量转置（反转所有维度，不推荐这么用）
z = torch.randn(2, 3, 4) # shape [2,3,4]
z_T = z.T
print("高维张量转置后形状：", z_T.shape) # torch.Size([4,3,2])（维度顺序完全反转）
返回视图（内存共享）
.T 不会创建新的张量，而是返回原张量的“视图”，修改转置后的张量会同步修改原张量：
x = torch.tensor([[1,2],[3,4]])
x_T = x.T
# 修改转置后的张量
x_T[0,1] = 100
print("转置后张量：\n", x_T)
# tensor([[ 1, 100],
# [ 2, 4]])
print("原张量（同步修改）：\n", x)
# tensor([[ 1, 2],
# [100, 4]])
提示：如果需要独立的转置张量（不共享内存），可加 .clone()：x_T = x.T.clone()。
与 transpose() 的区别
.T 是 transpose() 的简化版，但灵活性不如后者，二者对比：
| 操作 | 适用场景 | 灵活性 | 示例（二维张量） |
|---|---|---|---|
tensor.T |
二维张量转置（0和1维互换） | 低 | x.T 等价于 x.transpose(0,1) |
torch.transpose(tensor, dim0, dim1) |
任意指定两个维度互换 | 高 | 三维张量转置：z.transpose(0,2)（仅互换0和2维） |
# 三维张量：用 transpose 指定维度互换（更合理）
z = torch.randn(2, 3, 4) # shape [2,3,4]
# 仅互换0和2维（保留1维）
z_trans = z.transpose(0, 2)
print("transpose后形状：", z_trans.shape) # torch.Size([4,3,2])
# .T 是反转所有维度（0→2, 1→1, 2→0），等价于 transpose(0,2) 但语义不清晰
print(".T 后形状：", z.T.shape) # torch.Size([4,3,2])
可求梯度的张量转置
如果原张量开启了 requires_grad=True（可训练参数），转置后的张量仍保留梯度属性：
x = torch.tensor([[1.0, 2.0], [3.0, 4.0]], requires_grad=True)
x_T = x.T
# 模拟计算梯度
y = x_T.sum()
y.backward()
print("原张量的梯度：\n", x.grad)
# tensor([[1., 1.],
# [1., 1.]])（转置不影响梯度计算）
应用场景
（1）矩阵运算中的转置
比如计算矩阵的内积、批量向量点积时，常需要转置：
# 场景：两个批量向量（shape [batch, dim]）计算点积
batch_vec1 = torch.randn(4, 5) # 4个向量，每个5维
batch_vec2 = torch.randn(4, 5)
# 点积：(4,5) × (5,4) → 需转置其中一个
dot_product = batch_vec1 @ batch_vec2.T
print("批量点积结果形状：", dot_product.shape) # torch.Size([4,4])
（2）数据维度调整
处理图像/序列数据时，偶尔需要转置调整维度（但高维更推荐 permute）：
# 模拟：图像张量 shape [H, W, C] → 转置为 [C, H, W]（PyTorch 常用格式）
img = torch.randn(28, 28, 3) # 28×28像素，3通道
img_T = img.T # 转置后 shape [3,28,28]
print("图像转置后形状：", img_T.shape) # torch.Size([3,28,28])
总结
.T是 PyTorch 张量的转置属性，对二维张量等价于transpose(0,1)（行列互换），是最简洁的矩阵转置方式。- 核心特性：返回原张量的视图（共享内存），需独立张量则加
.clone()；一维张量转置无效果，高维张量转置推荐用transpose/permute。 - 适用场景：二维矩阵转置（如矩阵运算、简单维度调整），高维张量转置优先用
torch.transpose()明确指定维度。