时间:2020-12-21 python教程 查看: 1115
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。