view()函数是在torch.Tensor.view()下的一个函数，可以有tensor调用，也可以有variable调用。

其作用在于返回和原tensor数据个数相同，但size不同的tensor

【Numpy中的size是元素个数，但是在Pytorch中size等价为Numpy中的shape】

view函数的-1参数的作用在于基于另一参数，自动计算该维度的大小

很重要的一点

view函数只能由于contiguous的张量上，具体而言，就是在内存中连续存储的张量。

所以，当tensor之前调用了transpose, permute函数就会是tensor内存中变得不再连续，就不能调用view函数。

所以，应该提前做tensor.contiguous()的操作

view函数与Pytorch0.4中新增的reshape的区别

reshape函数调用是不依赖于tensor在内存中是不是连续的。

即

reshape ≈ tensor.contiguous().view

代码

import numpy as np
import torch
from torch.autograd import Variable

x = torch.Tensor(2,2,2)
print(x)

y = x.view(1,8)
print(y)

z = x.view(-1,4) # the size -1 is inferred from other dimensions
print(z)

t = x.view(8)
print(t)

输出

tensor([[[1.3712e-14, 6.4069e+02],
   [4.3066e+21, 1.1824e+22]],

  [[4.3066e+21, 6.3828e+28],
   [3.8016e-39, 0.0000e+00]]])

#x.view(1,8)生成的是[1,8]的张量
tensor([[1.3712e-14, 6.4069e+02, 4.3066e+21, 1.1824e+22, 4.3066e+21, 6.3828e+28,
   3.8016e-39, 0.0000e+00]])

#x.view(-1,4)其中-1是在4下的另一个维度的大小，也就是8/4=2，所以生成的是[2,4]的张量
tensor([[1.3712e-14, 6.4069e+02, 4.3066e+21, 1.1824e+22],
  [4.3066e+21, 6.3828e+28, 3.8016e-39, 0.0000e+00]])

x.view(8)生成的是[8,]的张量，是个数组
tensor([1.3712e-14, 6.4069e+02, 4.3066e+21, 1.1824e+22, 4.3066e+21, 6.3828e+28,
  3.8016e-39, 0.0000e+00])

view_as

返回被视作与给定的tensor相同大小的原tensor。 等效于：

self.view(tensor.size())

具体用法为：

代码

a = torch.Tensor(2, 4)
b = a.view_as(torch.Tensor(4, 2))
print (b)

输出

tensor([[1.3712e-14, 6.4069e+02],
  [4.3066e+21, 1.1824e+22],
  [4.3066e+21, 6.3828e+28],
  [3.8016e-39, 0.0000e+00]])

以上这篇Pytorch之view及view_as使用详解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持python博客。