Pytorch之view及view_as使用详解
作者：啧啧啧biubiu
今天小编就为大家分享一篇Pytorch之view及view_as使用详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
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。
具体而言，可以参看 https://www.jb51.net/article/177564.htm
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脚本之家。