写代码的时候想把一个张量\(X\)中的最后一个维度进行类似集合那样的操作，于是网上找到了torch.unique这个方法（官方文档）
torch.unique(input, sorted=True, return_inverse=False, return_counts=False, dim=None) → Tuple[Tensor, Tensor, Tensor]
其中参数sorted、return_inverse、return_counts网上有很多介绍（可以参考这篇），这里就不再赘述
对于参数dim，就是先按指定维度将原张量\(X\)划分多个子张量\(x_0,x_1,...,x_n\)，再对这些子张量做unique操作
举例子：
X = torch.tensor([[3, 3, 3, 2, 4],
[0, 3, 0, 2, 4]])
# dim=0的情况
uni_X = torch.unique(X, dim=0)
print(uni_X)
# tensor([[0, 3, 0, 2, 4],
# [3, 3, 3, 2, 4]])
# dim=1的情况
uni_X = torch.unique(X, dim=1)
print(uni_X)
# tensor([[2, 3, 3, 4],
# [2, 0, 3, 4]])
以上例子，在dim=0情况时，按以下步骤理解：
- 先按第0维（即按行）把原张量\(X\)划分为2个子张量：\(x_0=[3, 3, 3, 2, 4],x_1=[0, 3, 0, 2, 4]\)
- 由于\(x_0\neq x_1\)即没有重复的，所以结果还是由\(x_0,x_1\)组成
- 别忘了默认参数
sorted=True，即对\(x_0\)和\(x_1\)进行字典序升序后再返回，这里按字典序有\(x_1<x_0\)，所以返回张量\([x_1; x_0]=[[0, 3, 0, 2, 4];[3, 3, 3, 2, 4]]\)（按第0维划分的就按第0维拼回去）
在dim=1情况时，按以下步骤理解：
- 先按第1维（即按列）把原张量\(X\)划分为5个子张量：\(x_0=[3, 0],x_1=[3, 3],x_2=[3, 0],x_3=[2, 2],x_4=[4, 4]\)
- 可以发现只有\(x_0= x_2\)即只有这对重复，所以结果由\(x_0,x_1,x_3,x_4\)组成（或由\(x_1,x_2,x_3,x_4\)组成）
- 受
sorted=True影响，对\(x_0,x_1,x_3,x_4\)进行字典序升序后再返回，这里按字典序有\(x_3<x_0<x_2<x_4\)，所以返回张量\([x_3,x_0,x_2,x_4]=[[2, 3, 3, 4];[2, 0, 3, 4]]\)（按第1维划分的就按第1维拼回去）