第15个方法
torch.as_strided(input, size, stride, storage_offset=0)—>Tensor
- 此方法是根据现有tensor以及给定的步长来创建一个视图(类型仍然为tensor)。
视图
视图是指创建一个方便查看的东西,与原数据共享内存,它并不占用内存,也不存储数据,只是将原有的数据进行整理,显示其中部分内容或者进行重排序后显示出来等等。
接下来介绍此方法,首先看一个示例:
这样创建出来的b就是a的一个视图,可以发现,b中的元素都是a中的元素,所以其实b中并不存储数据,它只是显示a中的数据,如果改变a中的数据的话,b中的数据也会改变,反之亦然。
接下来介绍各个参数:
input
:此参数指定了在哪个数据上创建视图,input需为tensor。size
:指定了生成的视图的大小,需要为一个矩阵(当然此矩阵大小可以大于原矩阵,但是也有限制),可以是tensor或者list等等。stride
:输出tensor的步长,根据原矩阵和步长生成了新矩阵,此参数后面会细讲。storage_offset
:输出张量的基础存储中的偏移量。
参数的使用
还是用上面的例子,我们使用stride=(0, 0)
- 可以看到在没有偏移的情况下,b的数据都是a中的第一个数据,说明了(0,0)不进行偏移,这很好理解。将(0, 0)改为(0,1)后
- 第一行与第二行的元素相等,而每列的元素不同,并且在tensor上从0,1,2开始一次增加一个,这说明第二个元素控制列,而改为(1, 0)得到如下结果
- 这次是每列元素相等,而行不等,说明第一个参数控制行。这就可以理解了,第一个元素控制行,数字代表每次向后走时的跨度,而第二个控制列,如果改成(1, 1)
- 发现第二个参数控制的列,每次的开始值不是从原tensor的第0的数开始的,而是从生成视图中每行的第一个数据开始的,然后开始增加, 改为(1, 2)后
- 这说明了,我们stride增加是将整个tensor排成一维数据一直增加的,如果此行数字不够会从下一行继续寻找。
总结 :stride是指定步长,其中行从原数据第0个数据开始,而列从视图中行的第0个数据开始。将整个数组整合为1维数组后按步长进行寻找。
注意:由于创建出来的是视图,所以更改其中任何一个都会更改另一个,可能会产生意想不到的效果。例如:
- 更改a[0, 1]=0,由于b[0, 1]和b[1, 0]都来自a[0, 1]所以这俩也都会改变,反之亦然,有对应关系的都会改变,因为它们来自同一数据区,所以更改数据可能会出现一些意想不到的结果,不建议更改数据,尤其是视图数据。如果你实在需要更改的话,考虑将其克隆,使用Tensor.clone(),这样的话原数据和创建数据就不共享存储区了。
storage_offset就比较简单了,我们的列是从视图的每行第0个元素开始的,也就是可以控制的,那行应该也可以控制吧,所以storage_offset这个参数就是用来控制行的,默认为0,指定后行从第storage_offset个元素开始。
- 许多pytorch函数都可以返回视图,并且在此函数的内部实现,这些方法,例如(
torch.Tensor.expand
)更容易阅读,所以更推荐使用这些方法。